为了更好的传播与保护古籍文献资料,将古籍文献以电子文本形式储存是一种有效的方式。古籍的数字文本化主要由古籍图像的文字定位和文字识别两部分组成。深度学习是时下热门的研究方向,在图像识别、目标检测及自然语言处理等领域效果显著。中文古籍中汉字字体繁多且印刷体与手写体混杂,印刷体字体各有差异,同时有较多干扰噪声点,总体在文字定位及识别的技术要求更高。本文为了减少繁体中文图像录入成电子文本的人力成本,以深度学习技术作为主要识别手段,配合人工纠正辅助录入作为核心的算法进行设计研究。以Web可视化页面降低用户使用门槛,实现一套算法完整、效果可行的繁体中文文本化系统。目前深度学习在简体中文图像文本化领域已有较成熟的应用,但是在繁体中文图像,尤其在中文古籍资料领域的应用较为缺失。因此,繁体中文图像文本化问题的研究对深度学习的应用、中文图像中文字定位识别的研究有很大意义。本文针对古籍图像文本化任务,进行了研究与实验,主要内容和创新有以下几方面:1.在没有现成数据集的条件下,设计了一种数据集标注算法,即先通过MSER算法初步定位文字位置,之后以人工纠正的方式获得最终文字位置信息数据集。结合深度学习的One-Stage目标检测算法,设计了对单张古籍图像的文字定位算法,以VGG16为主干卷积网络对不同层的特征图以Anchors+Bounding Boxes方法检测定位文字位置。比较了传统图像处理方法和深度学习方法在繁体中文文字定位中的性能差异。比较了深度学习方法对于不同字体文字,不同尺寸文字的性能差异。本文对不同算法在性能上产生差异的原因进行了概括分析。2.以卷积神经网络作为基础,同时结合Inception模块和残差神经网络模块,设计构建了针对繁体中文古籍图像的文字识别深度学习模型。通过L1,L2正则、数据增广、Dropout等正则化技术进一步提升了深度学习文字识别模型针对不同文字的泛化识别能力。比较了多种主流深度学习模型和本文文字识别深度学习模型对印刷体文字和真实古籍影印文字在识别效果上的差异。比较了本文设计的文字识别模型在不同结构变体上的性能差异。比较了不同正则化方法对模型性能的影响。3.将本文的文字定位算法和文字识别算法相结合,设计并实现了从图像到数字文本端到端的文本化算法。以该文本化算法作为核心,以SSM(Spring+SpringMVC+MyBatis)作为框架,实现了繁体中文图像文本化的Web系统。文本化系统不仅包含将古籍图像文本化的核心功能,同时设计了用户登录功能,用户数据存储功能,定位结果修正功能,识别结果修正功能,识别结果下载功能。