随着智能手机等智能终端的普及,原来面向高性能配置服务器硬件上的图像处理和深度网络手写识别方法表现优秀,但是由于计算量太大,很难直接推广应用到存储和计算资源都有限的智能终端硬件上。为解决图像处理和深度网络计算量过大的问题,本文重点研究了面向智能终端的图像快速处理和轻量级深度网络手写识别方法。首先,为了加快智能终端上的图像处理速度,采用了图像快速压缩,图像灰度化增强,高斯滤波加权平均去噪,迭代最佳二值化,图像膨胀腐蚀改善和图像有效分割提取的改进处理方法。加速大尺寸彩色图像的处理,改善目标手写对象和背景图像的对比度,有效去除高频噪声,清晰分割目标手写对象和背景图像,明显修补目标图像中的断裂空洞并进一步消除部分孤立噪点,快速分割并有效提取真实手写字符串图像。改进后的方法显著缩短了图像处理耗时,图像秒级处理,提高了图像中目标对象的提取效率。其次,为了提高Le Net-5模型的识别准确率,通过调整网络规模,设计合适的卷积核大小和个数,添加dropout层,选取合适的激活函数和优化器,选择适宜的批处理和学习率的模型改进和优化方法。提高模型识别能力,提高图像的局部特征提取能力,减少模型过拟合,找出损失函数最优解,提高训练的效率。改进和优化后的模型有效的降低了损失函数值,提高了手写数字的识别准确率,测试精确度提高到99.36%。最后,面向智能终端的深度网络手写识别的现实应用,使用3x3小卷积核组合的连续卷积层和动态学习率,以及深度可分离卷积的优化和轻量化方法,提高图像局部特征变化的感知能力和图像分类能力,提取出更丰富的图像特征,加速模型的训练收敛。轻量化后的智能终端模型占用的存储空间减少到0.9%,参数总量减少到0.7%,浮点计算总量减少到0.66%,显著降低了模型的存储和计算资源需求,识别耗时降低至56%。改进后的模型的测试精确度提高到99.63%。设置手写字符图像边缘填充比例为20%,有效提升真实验证数据上识别准确率。采用模型训练测试和验证分离的方法,在服务器端将轻量化后的模型训练好并持久化,在智能手机终端上移植模型文件并应用,设计手机应用程序,对实际手写字符串图像进行快速预处理,然后输入模型进行目标数字字符串识别。所以在智能终端硬件存储和计算资源有限的条件下,本文研究方法仍然可以进行大尺寸手写字母数字字符串图像的快速处理和深度网络模型的轻量化移植,有效提高了目标数字字符串的识别准确率,从而有利于实现跨智能终端的应用及智能化推广。