移动医疗产业的兴起,对低成本、高效率读取社会保障卡（社保卡）信息提出需求。在入校筛查体检等需要大规模部署但又受成本限制的场景,使用光学图像识别社保卡信息可以免除配置专用读卡设备,简化设备配置、降低成本。但是,社保卡卡面布局和自定义信息依各省、各发卡机构各式各样,记录的姓名等关键信息常包含罕见汉字,超出现有商用解决方案的识别范围,且难以搜集真实图像数据以供训练识别模型。为此,本文结合了光学模型分析、图像处理算法和深度学习技术,基于面向字符区域检测和字符识别深度学习模型,设计社保卡卡面字符光学识别模型并实现了原型系统。本文主要工作包括:（1）设计了社保卡卡面汉字与数字字符图像光学识别模型。识别模型由五个模块串联而成。其中,预处理模块进行降采样、卡片边界识别以及视角修正;卡片信息区域检测模块在卡片正视图像中识别关键文字信息区域;字符分割模块对关键信息每个子标题和内容段切割、再逐字符切割;字符图像识别模块将每个汉字和数字图像识别为机器编码;后处理模块对卡片信息整理,将子标题与预设关键词对比以分别输出姓名和卡号的机器编码。上述模块中,卡片信息区域识别和字符图像识别模块分别使用了卷积-循环神经网络和卷积神经网络模型。（2）设计了仿真字符图像合成模型。通过对软件渲染的字符图像添加干扰并施以弹性扭曲运算进行数据增强,实现了生成包含丰富罕见字样本的训练数据集,以提高识别模型对罕见字样本的识别准确性。（3）实现了社保卡卡面字符光学识别原型系统,完成了社保卡卡面字符光学识别模型实验与原型系统测试。原型系统客户端以Java语言在安卓智能手机上实现;服务端以Python语言在Windows服务器上实现,以OpenCV为框架实现了预处理模块和仿真训练数据生成,以基于图像计算卡加速的TensorFlow为框架实现了面向卡面信息区域识别和字符图像识别的神经网络子模型并完成训练,以Flask为框架实现了http服务。测试中,首先对预处理模块、合成仿真字符图像识别子模型和卡面信息区域识别子模型分别测试,然后对原型系统进行测试。测试结果表明,基于深度学习技术的社保卡光学识别模型实现了处理速度约0.5秒、准确率接近100%的卡面信息识别,因不需要专用设备、可自定义训练字库而提供了低成本、强可扩展性的社保卡读取方案,在只需要卡面基本信息的场景下有效替代专用读卡设备。客户在使用原型系统后,认可各项功能,对识别性能满意。