验证码是网站中防止机器恶意攻击的主要安全手段,对网站中的字符验证码的研究能够有效弥补验证码设计的漏洞。胶囊网络作为深度学习方法的一种新兴模型,采用向量的形式代替卷积神经网络的标量形式,动态路由机制代替卷积神经网络的池化操作。利用胶囊网络的特有优势,研究对字符验证码的识别是本文的重点。本文针对粘连、旋转扭曲的字符验证码进行研究,分析了字符验证码的特点、卷积神经网络以及胶囊网络的基本架构。在原有胶囊网络的基础上进行模型改进,提出了一种新的胶囊网络模型ECaps Net,该模型包括特征提取网络模块、胶囊动态路由网络模块以及重构网络模块三大部分,采用并行卷积操作增强网络模型的特征表达能力,胶囊动态路由机制保留目标对象的位置姿态信息,再用反卷积操作得到上一层模块中可能丢掉的特征信息,重构出清晰的字符验证码图像。详细分析了动态路由机制的运算过程以及其算法本质,对动态路由机制中的压缩函数做出改进,来提高模型对于字符验证码图像的识别准确率。对本文改进的胶囊网络模型在实心字符验证码数据集和空心字符验证码数据集进行网络模型的训练,设置模型的多种超参数进行实验并分析网络模型的性能。利用模型复杂度、训练速度两方面的评价指标来对比改进的胶囊网络模型和原有胶囊网络模型的识别结果,改进的胶囊网络模型对于两种字符验证码数据集的识别准确率以及模型的复杂度上都优于原有的胶囊网络模型。当字符验证码的训练集准确率达到相同的识别准确率,对网络模型在测试集的识别准确率进行比较,在实心字符验证码数据集上,改进的胶囊网络模型ECaps Net的识别准确率为92.41%,而Caps Net、CNN、Res Net、Xception的识别准确率分别为85.37%、70.95%、80.53%、76.29%。在空心字符验证码数据集上,改进的胶囊网络模型ECaps Net的识别准确率为94.62%,而Caps Net、CNN、Res Net、Xception的识别准确率分别为90.75%、63.91%、82.42%、83.56%。实验结果表明,本文改进的胶囊网络对于两种字符验证码数据集的识别准确率以及模型的复杂度上都优于其他的卷积神经网络模型。