十五世纪后的朝鲜古籍中不仅包含朝鲜文字,还包含汉字、满文、蒙古文等文字,且排版多采用多文种混排形式。朝鲜语古籍这种多文种混排的特点为古籍图像的字符识别和切分带来了困难,影响了朝鲜语古籍的数字化进程。直接识别多文种文字图像会增加字符识别算法的复杂度、降低识别效率和准确率,所以多文种辨识是古籍全文文本数字化的前提和基础。另外,大量研究证明,对于文本图像很难找到一种普适性的版面分析和处理算法。所以,多文种混排古籍图像的字符切分仍是文本切分领域未解决的问题之一,具有一定的研究意义和现实应用价值。为了更好地推进朝鲜语古籍数字化进程,本文在研究古籍图像文种辨识方法的过程中针对朝鲜语古籍多文种混排,字体大小不一,字间距变化大,粘连情况复杂的特点,研究并提出了适用于这类特点的古籍文字切分方法。首先,提出了一种连通域规则和投影法结合的古籍图像列切分算法。该算法不仅能够去除古籍中存在的分隔线,还可对粘连列进行切分。有效地解决了朝鲜语古籍中间隔线存在间断、倾斜或者列之间存在粘连等问题。其次,提出一种基于连通域规则的多步字切分算法,对古籍列图像中的文字先进行粗切分再进行细切分。这种多步字切分算法对多文种混排,字符大小不一,字符横向、纵向混合排版的古籍图像切分效果良好。针对粘连字符个数未知,粘连方向未知的粘连字符图像,本文还提出一种k-means改进的递归滴水粘连字切分算法,实现了复杂粘连文字图像的准确切分。然后,利用切分出的文字图像建立了相似文种古籍文本图像库。最后,本文对相似文种古籍文本图像库中的文字图像进行了字符级别的文种辨识研究,利用深度学习中的Inception-v4卷积神经网络模型实现了的高准确率文种分类,解决了传统机器学习方法对朝、汉相似文种分类错误率高的问题,为进一步研究朝汉字符识别算法提供了准确可靠的数据样本集。实验结果表明,本文研究的朝鲜语古籍列切分算法准确率为97.69%,字符切分算法准确率为87.79%,字符级古籍图像的文种辨识准确率为99.40%。证明本文提出的古籍图像列切分算法和字切分算法能够有效地完成具有多文种且排版复杂的古籍图像的切分工作。同时,本文研究的利用卷积神经网络的文种辨识方法对存在大量噪声的朝、汉相似文种古籍图像具有很好的辨识效果。