手写文字识别是计算机视觉、自然语言处理领域中的重要问题和研究热点问题之一。将学生手写文档数字化对未来的学生作业大数据分析、在线教育等领域有着重要的推进意义。传统光字符识别技术主要面向高质量印刷体文档图像,而在处理手写体文档时,会出现识别效果差的问题。本论文针对学生手写文字的特点和传统手写文字识别方法的局限性,探讨了基于深度学习的学生手写文字识别方法的优势。提出了基于图像数据的端到端学习方法,并训练得到循环卷积神经网络模型,取得了较高的准确率。基于本网络模型,开发设计了一套用于学生手写文档格式化录入的手写文字识别系统。本论文的研究工作主要包括以下四个方面。1、针对中文字符集中,不常用字较多的现象,设计了一种手写文字图像样本增广方法,以解决样本分布不均衡的问题。本论文首先统计并分析了训练样本中不均衡的种类,然后利用添加高斯噪声、添加椒盐噪声及伽马变换三种方法模拟字体变化及光照影响,对训练样本数量进行了增广。2、提出了一种改进的CNN网络模型。针对CNN网络特征提取时网络层数过深而导致的梯度消失问题,本论文使用了残差模型并改进了残差方式与激活函数,分析了改进后训练时间与测试准确度的效果,并对比了AlexNet、VGG16、GoogleNet和ResNet四种先进的CNN模型的测试结果,验证了CNN网络改进方式的有效性。3、本论文结合了双层RNN网络,利用文本前半部分信息与后半部分信息对当前字符进行预测。通过对比最新相关文献中的手写文字识别算法,验证了本论文所设计的手写文字识别网络模型的有效性,并在学生手写文字数据集上取得了良好的效果。4、设计并实现了一个基于BiRNN的学生手写文字识别系统。该系统利用Python语言的第三方库PyQt5设计开发。系统主要包括输入展示模块、识别导出模块、二次训练模块和用户管理模块。其中识别导出模块所采用的识别算法为本论文提出的优化后的BiRNN网络,并加载已在学生手写文字数据集上训练好的参数,用户也可以利用自己数据再次训练以更新参数模型。用户可以通过系统快速的获得手写文字识别结果,并为以后利用识别结果进行后续的学生作业大数据分析奠定了基础。