网络技术的飞速发展使得信息交互变得更加便捷和高效,图片作为人们在日常生活和工作中常用的信息交流媒介物,其携带的文字信息是该图片的主要关键信息。在人们的日常工作和学习中,会接触到各式各样的证件、票据以及特定结构的文档等等,常常需要将上述文件中的关键信息提取出来录入成电子化。在电子化的过程中,图片转换成文字是核心内容,若通过键盘输入,则需要耗费大量时间和成本,在O CR(Opti cal Character Recogniti on,光学文本识别)日益凸显的形势下,电子化文档的文本识别系统顺势发展。文本识别是模式识别领域中的一个重要分支,极大的提高了日常工作的效率,并在一定程度上给予了人们生活和工作等各个方面的便捷,在信息录入、资料审核、地图搜索和教育等领域中有广泛且高效的应用。基于此,减少重复工作的次数提高工作效率,为了节省大量的时间,一个面向结构化文档的识别系统是必不可少的。本课题设计和实现一个面用结构化文档的识别系统,结合传统的方法和计算机视觉领域的相关算法,设计和实现识别系统。主要工作内容如下:(1)研究了输入图片对应模版的分类问题。本文设计实现的是一个面向结构化文档的文本识别系统,图像输入并不仅限于某一特定模版,需要对输入图片做模版分类。本文考虑实际系统使用的背景以及不同的方法中存在的影响因素,提出特征匹配的方法来解决模版分类的问题,能够稳定的输出分类结果。(2)研究了文本区域定位的问题。要完成识别,首先要得到目标文本区域的位置信息,如何精准的检测文本区域,并且不局限于某一特定情景,实现对各种背景和不同种类图片中文本的精准定位,本文提出了模版特征映射的文本区域定位方法。(3)研究了文本识别的问题。文本识别结果的好坏直接影响文本识别系统的性能。实际得到的文字区域通常都包含有背景信息,同时不同识别方法带来的效果也不尽相同,为了得到最优识别效果,对不同的识别算法进行实验对比并进行针对性的优化,提出 了基于 CRNN(Convolutional Recurrent Neural Network,卷积循环神经网络)行文本识别的改进算法。(4)输出结果结构化。利用文本识别模型得到预测序列后,将识别得到的字段以key-value的形式将结果结构化。