验证码是一种区分访问者是计算机还是人类的反图灵测试。现如今,很多网站设置验证码以防止恶意攻击。但是,验证码的应用亦有两面性,随着互联网的发展,有部分黑灰产业将平台从线下移至线上,通过线上充值交易等获得不法资金,这一类网站为了躲避网安部门的自动巡检,常常也会设置验证码机制,将充值账号隐藏在验证码之后,从而增加了网络巡检的成本。不过,这一类网站的运营成本较为低廉,所以通常都使用成本较低的文本验证码,这类验证码为了防止被轻易破解,通常都会加上噪声背景、干扰线等安全特征,文本字符本身也会经过一定的变形或旋转处理。如果可以高效破解这一类验证码,可以大大提高网络巡检的效率,对这些黑灰产业进行有效打击。目前的验证码破解方案主要有两点缺陷:（1）仅使用卷积网络提取特征并分类,将验证码识别问题看作为一个多标签的图像分类问题,这就要求提前确定输出位数。然而,本文对各大网站的验证码进行调研后发现,文本验证码的长度其实并不一致,从4位～9位不等,导致这些基于多分类思想的识别方案缺少泛化性;（2）网络训练时都需要大量有标签样本。验证码形成机制复杂、形式多样,为提高识别精度,就需要大量的有标签样本。然而,获取验证码标签的方式或使用验证码打标平台、或自己手动标注,使得获取标签的成本高昂、效率低下。本文针对已有方案的这两个缺陷,提出了一种更为通用的验证码破解方法。主要有三点贡献:（1）改进了识别网络结构,提出可基于卷积-循环神经网络来解决不定长验证码识别问题;（2）将基于自监督的域自适应方法应用到验证码识别上,在无需任何验证码标签的情况下也可以提高验证码的识别精度;（3）提出了一种基于领域自适应的验证码去噪方案。上述三点的具体工作如下:（一）为解决不定长验证码识别问题,本文使用了可以处理序列化文字的卷积-循环神经网络;该网络最后的输出使用CTC损失,从而可以解决不定长文本的对齐问题。由于本文使用的验证码数据无标签,所以本文首先使用公开数据集IIIT-5K的数据来训练该网络,并将训练好的模型直接用来预测验证码。结果表明,该方法虽然可以达到一定的破解精度,但对于个别网站的识别准确率为0。经调研,这是因为验证码的文字形态和公开数据集中的文字形态并不一致,网络从公开数据中学习到的特征并不能直接应用在验证码图片上。为了让网络同时提取到公开数据集（源域）和验证码网络（目标域）的特征,需要使得二者经过网络后输出的特征图分布尽可能一致。（二）由于验证码图片和真实图片并非来自同一分布,所以模型直接迁移的效果不佳。本文采用了自监督的方法,针对验证码特征构造了两个自监督任务:旋转和翻转,从而给无标签的验证码数据集制造了标签。接着,本文根据设计出的自监督任务改进了训练策略:一方面,本文使用公开数据集进行有监督任务的训练;另一方面,本文把卷积-循环神经网络的卷积网络部分单独拆分出来,将其视为特征提取器,给验证码数据和公开验证集数据分别分配了自监督学习任务之后,将构造出的新样本和自监督标签同时送入该卷积网络中。实验结果证明了,基于自监督的任务提升了卷积-循环神经网络在验证码数据集上的识别精度,对于识别率为0的验证码也成功将准确率提升到了9%。本文还追踪了两个数据集的输入在卷积网络上输出的分布变化,并验证了随着迭代次数的增加,二者在卷积网络的输出上趋于一致,说明基于自监督的方法,我们有效地提取了公开数据集和验证码中的空间不变特征。（三）针对验证码背景噪声问题,本文提出了一种基于域自适应思想的去噪方案。该方案将文本去噪视为图像语义分割问题,首先构造了一组具有噪音的图片和其对应的去除噪音的图片,使用U-Net计算语义分割损失;此外又增加了一个域迁移对抗损失,要求网络在准确区分出字符和噪声的同时,能够同时从源域和目标域中提取相同的特征。经过试验,经过去噪后,识别网络对于验证码的破解率进一步提高。综上所述,本文主要设计了一种更为通用的不等长验证码识别方案,不需要对验证码样本进行打标也可以达到一定的识别精度,从而大大节约了前续打标步骤的成本。