表格结构识别是文档识别（Document Recognition）领域中一项基础且具有挑战的任务,目的是获取单元格的结构信息。最近,深度学习已经成为解决表格结构识别的主流方法,通过训练神经网络得到最佳的拟合模型。基于深度学习的表格结构识别有两种主要算法,分别是识别表格行与列算法和识别表格框线算法。识别表格行与列算法通过获取表格的行与列来识别表格结构,现有的有效方案是使用语义分割（Semantic Segmentation）技术分割表格的行与列。这一方法将行与列的预测简化为一列与一行像素的预测,这样虽然能够降低网络的学习难度,但造成了预测结果容错率低的问题。在具体场景下获取到的表格图像往往拥有较为复杂的行与列结构,因此使用识别表格框线算法对此类表格进行结构识别更加合理。表格框线像素数较少,所以这一算法存在正负样本不平衡的问题。因此,为了解决上述两种表格结构识别算法在具体实现中存在的问题进行了深入研究,具体研究内容如下:（1）本文设计了一种基于识别表格行与列算法的表格结构识别网络,以解决识别表格行与列算法预测简化的行与列标签时产生的低容错率问题。在网络中使用设计的行重组模块和列重组模块分别从包含行与列特征的整体特征中获取与行强相关的行特征以及与列强相关的列特征。本文在ICDAR 2013数据集上进行实验,实验结果表明与直接预测简化的行与列算法相比,该方法的行与列平均F1值更高,达到了 95.24%。（2）本文对设计的表格结构识别网络进行改进,为了避免行与列重组模块受低级特征中细节纹理特征的影响而产生质量较差的行与列特征注意力图,在行与列重组模块内使用含有较多语义信息的行或列特征引导网络学习,同时实现了在解码端解耦行特征与列特征的解码。本文在ICDAR 2013数据集上进行实验,实验结果表明改进的方法在没有增加参数量的情况下进一步提升了性能,行与列的平均F1值达到了 95.65%。（3）本文设计了一种基于表格框线热图的表格结构识别网络,以解决识别表格框线算法在识别场景表格图像的结构时所存在的正负样本不平衡问题。该方法自动生成表格横向框线和纵向框线的高斯热图,并用编解码网络分别回归横向和纵向框线的概率值。本文在拍摄环境复杂多变的银行表格数据集上进行实验,实验结果表明该方法有较强的抗阴影、去模糊和抗倾斜能力,预测得到单元格的平均精确度达到了 92.71%。