在信息化高速发展的时代,图像识别技术在众多领域内发挥着举足轻重的作用。随着数字图像处理技术和深度学习技术不断进步,图像识别的精确度不断提高。医疗发票作为人们生活中必不可少的部分,当前医保中心存有大量的医疗票据,传统的医疗发票信息入库工作都是由人工完成的,需要医疗机构投入大量的时间和资金,不仅提高了医疗机构的运营成本,而且人工录入信息时效率低,错误率相对较高,对提高医院的整体服务质量带来了负面影响,也是医疗产业信息化发展的一个薄弱环节。因此,能够准确且高效率的识别医疗发票图像在各大医疗机构中有着重大意义。高效且准确的文本图像识别方法在发票信息入库中有着十分重要的意义,相比于当下流行的激光打印文本,传统的针式打印文本中存在断点,其识别率较低。基于此,本文提出了一种以深度学习为核心的针式打印医疗发票识别方法,其基本原理是:将数字图像处理技术与深度学习技术相结合,来完成针式打印的医疗发票中的文字信息的识别,其中,数字图像处理技术主要用来对发票图像做预处理操作,具体包括:图像倾斜校正、图像增强处理、灰度化处理、阈值分割去噪、断点处理等。其次,为了满足OCR文字识别的条件,还对预处理后图像中的字符进行单字符切割处理。深度学习技术主要通过神经网络从字符图像中学习更深层的特征,以便于更好的理解字符图像,从而达到识别字符的目的。选择适合的网络结构并结合深度学习框架来得到最终的网络模型,其次,医疗发票待识别信息中存在大量的医学术语,为了进一步提高针式打印的医疗发票识别精度,本文在字符识别之后加入了语义检测与修正功能,从而获得更高的识别率;最后结合前面所有的模块给出了医疗发票在线识别的整体框架,验证了本文方法的可行性。为了验证本文提出的方法的有效性,分别对文中所提到识别方法的性能设计了对比实验,还对网络的参数做了对比试验。实验中分别采用自建的单字符数据集和7000多条医学术语作为卷积神经网络和循环神经网络的数据集来训练网络,并针对传统Alexnet网络的缺点,改进得到了能够减少计算机资源占用和提高识别率的F-Alexnet网络,采用该网络模型来识别针式打印的字符图像。实验结果表明,相比于单一的卷积神经网络识别方法,改进的F-Alexnet网络和引入语义检测后的本文方法能够得到更高的识别准确率,且识别率提高了7.5%。