随着深度学习的发展,常见的自然场景文本识别任务,在高效管理数据领域和准确性方面都取得重大突破。但是在异构物流票据中,其版面庞杂,种类繁杂,缺乏统一的票据模板来检测异构票据信息。针对章印遮盖文字信息以及发票内容因印刷产生偏差的情况,物流票据文字识别技术对精确率有着更高的要求。因此,相较于普通的文字识别来说,异构物流票据信息识别具有更高的难度。为此,本文开展的异构物流票据环境信息的提取与识别分析技术研究,具有十分重要的工程应用前景。综上,本文票据识别过程包括票据图片预处理、提取票据特征、特征降维、票据分类、文本检测以及文字识别部分。论文主要研究内容与贡献如下:1.为了减少外界干扰因素,获取票据有效信息,本文对票据进行了统一的图像格式转换,并对图像做了灰度化、二值化、降噪以及去除章印等预处理工作。2.针对异构物流票据没有统一的票据模板这一问题,本文提出基于PCAMFTIWPSO-SVC模型作为票据分类器。以统计票据图片像素梯度幅度以及梯度方向建立方向梯度直方图HOG来提取票据特征,使用主成分分析PCA算法进行特征降维,减少票据冗余信息,降低计算量,构建票据分类数据集。最后,多信息融合惯性权重粒子群算法MFTIWPSO对支持向量分类SVC模型进行调参优化,其相对于初始分类器而言,其精确率提高18.31%。3.关于内容偏移所导致的无法准确定位票据文本坐标的难点,本文通过飞浆工具手动标注异构票据文本坐标,构建票据文本定位数据集,其相对于一般公开文本数据集更具有针对性。借助基于深度学习的CTPN算法和DBNet算法建立文本定位模型。从算法运行时间以及文本定位准确率综合考虑,进而确定CTPN为最佳票据文本定位算法。4.以提高票据文本识别的准确度为目的,本文采用公共字符数据集构建票据字符的训练数据集,提出并实现一个基于深度学习的端与端之间的文字识别框架CRNN,有效识别任意长度文本序列。实验结果验证了CRNN文字识别模型的有效性,字符识别平均准确率可以达到89.11%。