随着基于深度学习的文档图像识别方法的兴起，字符串识别精度不断提高，
并得到广泛应用。但基于端到端深度学习的字符串识别方法仍然存在一些不足：
不能准确定位字符、输出置信度不可靠等。因此，本文研究基于滑动窗和连接时
序分类（CTC）的字符串识别方法，取得了改进模型训练的收敛性和识别精度的
效果。
论文的主要工作和创新点归纳如下：
1. 提出了一种基于伪标签分布的改进 CTC 方法。
通过对 CTC 算法进行理论分析发现，该方法可以解释为期望最大（EM）算
法在序列识别中的应用。算法利用神经网络对每一帧的预测，通过前向后向算法
估计每一帧对应的伪标签分布，而后利用所估计的分布值指导网络收敛。基于该
解释，提出了一种改进的 CTC 方法，其中包含两个改进策略：基于伪标签稀疏
化的正则化策略，基于投票的解码算法。手写数字串识别和手写英文文本行识别
的实验表明，本方法可提升 CTC 字符串识别方法的训练收敛性和识别精度。
2. 提出了一种基于卷积原型分类器的字符串识别方法
卷积原型分类器具有字符识别精度高和输出置信度可靠的特点。我们把卷
积原型分类器用于字符串识别中的滑动窗分类，在模型的端到端训练中加入了
字符位置估计步骤，并对更加对齐的帧着重训练，从而提升模型的识别与对齐效
果。手写数字串、手写英文和中文文本行识别的实验结果表明，本方法可取得有
竞争力的识别性能。