文字识别技术是模式识别中的一个非常重要的研究领域,在近几十年来得到了极为广泛的关注和研究。印刷体文字识别技术近年来已经发展的非常成熟,并且在人们的生活中也得到了较为普遍的应用。然而在某些应用场景下,低质量的文字图像一直是识别准确率提高的一个瓶颈。因此,如何处理低质量文字导致的低识别率,是目前需要解决的一个问题。在文本图像预处理过程中,传统的投影字符切分方法难以应对粘连字符以及左右结构的汉字,在投影法的基础之上,对字符切分进行了改进。针对低质量的文本图像往往导致字符分辨率很低的情况,将基于生成对抗网络的图像超分辨率技术应用到低分辨率的字符图像,通过在网络中使用一个新的感知损失函数替代传统的MSE损失函数,能够令字符图像产生更为丰富的纹理细节。文字识别技术已经从传统的特征提取方法发展到了使用深度学习的方法,卷积神经网络解决了包括语言识别以及图像处理等领域中的诸多难题,同时也为文字识别提供了一种新的端到端的方法。针对汉字本身具有的类别众多、字体结构复杂以及相似汉字多的情况,选取了一个基于原始GoogLeNet所改进的深层网络用于汉字识别,在一定程度上简化训练参数的同时依然保证网络层次足够深,通过使用程序生成海量汉字字符训练集,并借助Caffe工具对网络进行训练,最终得到文字识别模型。最后在实验过程中通过对训练数据集进行扩增,证明了数据集扩增能够改善识别准确率,同时验证了深层网络对大类别汉字分类有更优的性能。此外,经过超分辨率处理后的字符相比处理前在识别率上也有了一定程度的提升。