光学字符识别(OCR)技术目前主要是在文档及证件识别等方面应用。其中文档识别可以把手写文档或印刷文档的文字信息数字化,快速并准确提取有效信息。现阶段飞速发展的深度学习应用到OCR,不仅适用不同的场景,而且字符识别的准确率可以得到提高。本文的主要工作是利用深度学习建立手写字符识别框架,并在智能手机实现。OCR的步骤主要是文字区域检测,字符切割和识别。字符的识别作为本文的研究重点,因此结合深度学习对此进行优化。首先总结了可用于字符识别的深度学习网络。详细分析了深度卷积神经网络与循环神经网络架构,并介绍了深度学习框架Tensorflow。其次,由于数据集的规模对于训练模型至关重要,因此扩充了数据集。基于文本行图像书写尺度的可变性,利用多尺度文本来扩充数据集。然后,改善对系统性能好坏影响极大的特征提取。利用残差思想对卷积神经网络进行适当的改进与优化,改变特征提取过程中信息的传播方法,提高特征提取的准确率。最后,针对传统OCR应用时设备便携性差问题,进行改进。过去在使用OCR技术识别文字时,文档图像主要是通过扫描仪或照相机等设备来获取,可适用场合受限。因此本文提出基于智能手机的手写字符识别技术的研究,利用智能手机近年来大幅度提高的计算能力,实现在智能手机上的文档图像获取和字符识别,从而解决上述问题。本文通过实验验证了残差卷积网络框架对文档图像特征提取的有效性,并且在Android智能手机上实现的手写文档图像的字符识别功能,增加了实用性。