在当今社会,纸质文档仍是承载信息的重要方式之一,表格作为一种特殊的内容类型,提供了一种高度凝练的数据展示方式,在文档中占据着重要作用。表格的审核工作,如发票报销录入、医保报销核查、货单清点等,是一种繁复且易出错的工作,带来了巨大的人工成本。此外,在数字化进程的推动下,大量的纸质文档尤其是表格文档需要被数字化以便归档和日后检索。所以表格文档的数字化研究具有重要的经济价值。表格文档具有表格类型复杂多样等特点,使得表格文档数字化仍是一个具有挑战性的问题。本文聚焦于表格文档的数字化技术研究,在该领域的一些关键性问题上如表格结构识别等问题进行了深入的探索。对于表格文档图像的结构还原问题来说,图像方向矫正是否准确是影响表格结构识别结果优劣的重要因素之一。对于一张输入的扫描文档图像,其文字方向可能是任意的,算法需要判断出文档页面的方向并对其进行适当旋转矫正以使文本行方向水平同时表格线横平竖直,这样才能为后续的表格结构识别和文本识别打下良好基础。本文提出了一种结合深度学习和直线检测算法的文档图像矫正算法,能够利用文本级别的方向信息,实现对文档图片鲁棒、精确的矫正。表格结构识别是表格文档数字化中最具挑战性的任务。表格结构识别存在众多挑战,如:（1）表格类型多样,存在有线表格、无线表格等;（2）表格线型多样,如实线、虚线等;（3）表格存在背景干扰,如噪声、光线阴影、表格底色、水印、印章等;（4）表格存在复杂的单元格合并问题:如跨行合并、跨列合并等。在过去的几十年间,一些学者提出了很多表格结构识别方法,但大多只能处理模板固定或者结构简单的有线表格,且需要针对数据集的不同设置不同的参数,泛化能力差。本文提出了一个结合深度学习和传统图像处理的表格结构识别算法,能够适用于多种类型、多种线型的表格,相较于传统的表格方法具有还原精度高,设置参数少,泛化能力强等优点。本文提出了一个表格文档数字化系统,能够处理多种格式的表格文档输入,输出高可用性的表格识别结果。基于表格类型复杂的银行对账单数据集,本系统在表格结构识别环节可以达到平均96%的F-分数,在文本识别环节,本系统在可以达到98.5%的文本整体识别准确率,以及针对金额数据优化的99.4%的数字识别准确率,能大大节省表格文档数字化工作的人力成本。