科技的发展使信息处理方式突飞猛进,“信息资料电子化”的潮流吸引着各行各业的加入。基于Optical Character Recognition(OCR)的文档图片识别因速度块、识别从而准确越来越备受各大企业、党政机关的青睐。与传统的手工录入模式相比较,OCR的智能信息录入具备强大的优势,速度方面OCR识别也远快于手工录入模式,不仅使大批人力资源得到节省,资源配置得到优化,还使人员从繁琐的机械式工作中解脱出来,而去专注愈加有需要的工作上。OCR技术由于在数据收集计划方面可以为用户提供低成本、高效率,所以可以有力的支持业务快速发展。因此,大量的图片自动识别系统及APP软件应运而生。例如身份证的识别、票据的自动识别、车牌的自动识别。在此类产品中,都是固定了某种识别对象用特定的识别程序去识别。显然,当用户识别多个文档图像对象时,这种单处理对象模式将显得很棘手,因此,有必要开发一种能针对一般的文档图片,由程序自动判别文档类型,以及对信息进行提取的系统。基于上述的需求,本文提出一种基于OCR的多种文档图片识别系统。其中包括论文首页的图片、公文图片、名片图片等文档图片。该系统可以自动对输入的图片进行判别识别,并提取图片信息。本文主要从图片预处理、文档图片检测、版式分析及信息提取三个模块来描述提出的系统。图片预处理中的椒盐去噪是本系统的重要创新点之一,通过比较近几年各大期刊发表的相关论文,本文提出的椒盐去噪无论在高噪声还是低噪声,都有较好的效果。其次在图片的倾斜矫正方面,本文基于投影的改进算法在确保精度的条件下,加快了寻找倾斜角度的速度。在文档检测方面,利用Adaboost算法来组合弱分类器进而对图片分类,检测出文档图片。版式分析技术是基于改进的聚类算法来分析。图片的内容提取主要利用先验的规则库,以及通过贝叶斯概率来获得。