证件文本信息检测属于文本图像检测的研究范围,目前针对该领域的研究已有颇多成果。传统图像处理的方法虽然算法结构较为简单,并且运行速度快,但是在很多情况下泛化能力较差,复杂场景下检测准确度较低;而对于深度学习算法来说,由于复杂的网络结构,巨大的参数运算,导致其对系统硬件设备的性能依赖较高。FPGA设备具有体积较小、能耗比高等特点,在并行计算以及深度学习领域引起越来越多的关注。但是传统方法开发FPGA加速程序门槛较高,过程复杂,周期较长,无法快速适应场景和需求的变更。OpenCL是由苹果公司最先主导开发的一款通用并行计算框架,使用高级编程语言能够方便快速地实现并行算法加速系统。同时因其具有跨平台多设备的特性,使得在OpenCL规范框架中开发的并行加速系统能够快速移植到不同硬件设备中,实现软件系统的高度兼容性,并且根据不同需求场景选择OpenCL支持的不同硬件实现系统快速部署。本文设计实现了一种基于FPGA平台符合OpenCL编程规范的图像文本信息检测系统。该系统采用了CTPN文本检测网络作为核心算法模型,在系统设计过程中深入研究了CPTN网络的算法结构,以及OpenCL并行加速原理。在OpenCL并行编程框架下针对网络结构中使用到的算法进行并行化设计,提出了一种基于归并思想的简单、高效、快速的并行矢量累加算法,有效提升了算法中数据累加过程的运算效率;同时提出了适用于CTPN网络的并行VGG16卷积神经网络、并行Bi LSTM双向循环神经网络以及并行RPN区域生成网络算法。相对于串行算法来说并行算法能够显著提升运算速度,经过不同规模的数据进行测试及性能分析,单次三维卷积运算的性能提升高达142倍,Bi LSTM网络中并行运算性能提升10倍以上,同时将并行算法整合实现了系统整体运行速度提升88.6倍。对于系统的检测效果本文采用了身份证件类、车票类、银行卡类、毕业证书类以及营业执照类等五种不同类别的文本证件图像对其进行测试,验证了系统在不同场景下文本检测的效果以及泛化能力。