随着国际贸易的发展与信息爆炸时代的到来,表单由于其简单直观的特点,在交通物流领域得到了广泛的应用,同时在金融和医疗等领域也变得越来越不可或缺,如物流表单、收据和简历等。随着各行各业的智能化与数字化改革,迫切需要实现多类型表单的自动化抽取,将表单中的信息保存成结构化数据便于留存与检索。以交通物流表单为例,在实际应用中,国际物流表单大多样式复杂且种类繁多,而目前投入应用的表单关键信息抽取算法通常只针对固定格式或固定领域的表单,仍然没有可靠的技术手段能够实现多类型复杂表单的关键信息识别。因此,本文通过分析交通物流多类型表单的特点,设计了一个多类型表单关键信息识别系统。论文主要开展的工作如下:（1）由于表单大多以扫描版图片的形式存在,因此本文研究了图像文本检测与文本识别算法。结合表单图片中文本的特点,对文本检测与文本识别的网络结构与算法流程进行了分析比较。（2）基于对多类型表单视觉特征的分析以及对文本检测网络的研究,本文设计了一个多任务学习网络,命名为Multi-TFC（Multi-task Network for Text Detection,Frame Extraction and Form Classification）,通过该网络可以同时完成表单分类、框架提取和文本检测三个子任务,且可以只对网络的表单分类分支进行训练,在短时间内实现新类别的快速增加。实验证明该网络能够在保证准确率的情况下,更加快速地完成多个子任务。（3）论文针对已知类别的表单,提出了基于相对位置模板的关键信息抽取算法,能够高效准确地实现关键信息的抽取。针对未知类别的表单,本文提出了基于关键信息关联对匹配的通用关键信息抽取算法,解决了常见算法通用性差、不可拓展的问题。（4）论文建立了多类型表单关键信息识别系统。该系统完成了从多类型表单图片到结构化关键信息的全流程。本文建立了物流领域运输表单数据集,实验证明该系统在物流表单数据集上的表现良好、通用性强,在实现多类型表单关键信息抽取的任务上具有可行性。图54幅,表10个,参考文献64篇。