中文手写汉字识别已经有很长的研究历史。基于其极高的应用价值被广泛地被应用在邮件信息检索、手写文档识别以及电子设备输入等各个场景之中。近年来,以深度学习为主的机器学习方法被大量应用在图像处理等相关领域,也为手写汉字识别等问题带来了革命性的突破与发展。相较于传统方法,高识别率以及端到端封闭式的处理方式使得基于深度学习的算法已经成为本领域的主流研究方法。但现目前已经提出的深度学习模型主要以应用相关图像领域现有的成熟网络结构为主,并未针对汉字特有的结构特征与信息加以利用。因此,对于中文手写汉字的深度学习仍然需要进一步的研究。在本论文中,我们从中文汉字的构字特点出发,对手写汉字中的偏旁部首特征提取方式进行深层次的探究。通过对偏旁部首区域性特点的分析,提出了一种改进的卷积神经网络结构框架来提高对于中文手写字符的识别率。与现有的特征提取方式相区别的是,通过将全连接层更改为相对应的整字级别的模块和偏旁部首区域级别的模块,新提出的方法能够包含更多的偏旁部首级别的特征。在此基础上,考虑到神经网络在训练中与训练数据库大小的紧密联系,我们提出了一种新的训练数据增强方法。由于在大多数汉字中的偏旁部首拥有不同的书写风格,我们将数据库中的样本根据每一类汉字的分割成不同偏旁部首的子图之后,随机地从候选的子图中重新组合成新的训练样本。除此之外,为了在训练之中有效地减少网络的输出在特征空间中的类内距离,在训练之中加入了center loss损失函数进行联合训练。考虑到偏旁部首在通常在词组中的汉字具有紧密的联系,我们还将其作为新的特征提取器对偏旁部首信息在脱机手写中文文本行识别中的应用进行了探究。在利用的卷积神经网络的输出之中,保留了偏旁部首的特征信息,使得相邻汉字中根据相关偏旁部首出现的条件概率对文本行中的字符的识别能够拥有更多的信息。在利用滑动窗对文本行的内容转化成图片序列之后,在双向长短记忆单元模型中对输入的序列进行识别。为了验证测试论文中所设计模型以及训练算法的有效性,我们分别使用CASIAHWDB数据集中的手写字符以及文本行数据库进行了测试。实验结果证明所提出的算法在脱机手写中文字符识别的识别率能够达到97.91%,能够在一定程度上提升模型识别的准确率。同时,利用此卷积神经网络作为特征提取器的双向长短记忆单元模型能够进一步提升脱机手写中文文本行的识别率,在无语言模型进行后处理的情况下,对文本行的识别准确率可以达到90.78%。