将脱机手写汉字从图像中准确地识别并提取出来,可以大幅度减少汉字手稿整理所需要的人力物力。脱机手写汉字的识别一直是模式识别的难题。近年来,高速发展的深度学习网络在图像识别、图像生成、目标检测等领域取得了飞跃式的发展。使用深度卷积神经网络解决脱机手写汉字识别是一种很重要的途径。但是深度学习的应用需要大量的训练样本,尽管目前的脱机手写汉字的多分类样本集已经存在,但是检测识别样本集仍然非常不足。汉字类别过多,形态多变,文字的出现频率不同,很多字并不常见,即使见到,其字形往往单一,难以收集频率分布均匀的真实样本,所以难以通过人工标注现有文档的方式获取足量样本。针对这一现状,本文将生成对抗网络(GAN)应用在脱机手写汉字的生成上,获取到大量的脱机手写体汉字样本,进而人工合成足量的汉字检测识别样本,并设计脱机手写汉字检测识别算法进行检测和识别。本文提出了一套脱机手写汉字样本生成、汉字检测、汉字识别方法。首先,本文针对图像的特征提取和识别,提出了改进的Inception卷积神经网络结构并搭建了效果优异的Joint-Net卷积神经网络分类模型。然后,将Joint-Net卷积网络作为判别网络应用在WGAN-GP中,生成了脱机手写单字样本。使用生成的脱机手写汉字和现有的脱机手写汉字数据集人工合成了背景复杂的脱机手写汉检测识别样本。最后,以Joint-Net作为网络主干,设计了新颖的端到端的脱机手写汉字检测识别模型。实验部分,Joint-Net模型在脱机手写汉字数据集上进行了实验验证,采用随机梯度下降优化算法,CNN模型在测试集上达到了96.95%的平均准确率。而汉字检测和汉字识别算法的效果优异。实验结果表明,基于GAN生成样本的脱机手写汉字识别是一个好的解决方案。