本文的主要内容是利用深度学习技术对票据进行分类。票据分类是票据自动化处理的关键环节,准确的对票据进行分类能够提高票据自动化处理技术水平,进而实现智能票据自动化识别。在实际票据处理过程中,由于票据的种类不断的在增加,不同类别的相似度较高,人工分类效率低,成本高,并且会出现分类错误的情况,传统的票据分类方法已经不能满足现在的需求。本文结合深度学习方法,提出了改进后的弱监督细粒度数据增强网络的票据图像分类算法。本文针对票据分类的难点,通过分析票据图像的特性,票据图像存在类间差距小、类内差异大特点,提出了改进后的弱监督细粒度数据增强网络的票据图像分类算法,通过对票据图像进行预处理,增强票据图像特征信息,增加注意力机制,扩大网络的感受野的同时能够对具有区分性的细节特征进行判别,使用互通道损失辅助模型训练,使模型对票据图像分类获得更高的准确精度,改进后的模型能够提高票据分类工作效率,降低票据分类错误的风险。主要研究内容包括以下几方面:（1）制作票据数据集。将票据细分为25个类别,将每类票据按照图片级进行标注,并经图像进行去重,保证每张图像的唯一性。（2）对票据进行预处理和数据扩充。本文首先采用PSPNet语义分割网络,对单张图片存在多个票据的图像进行识别和分割,然后将图像输入到光照矫正网络中,有效地去除文档的阴影和重采样变化,使用Sauvola算法对票据图像进行二值化处理,结果表明该方法对低质量的照片处理效果较好,最后使用基于Canny边缘检测和透视变换算法对倾斜的票据进行校正操作,为后续的票据分类提供高质量图像。使用随机裁剪、随机旋转、随机擦除、噪声增广和HSV空间扰动进行随机组合,对数据集进行扩充,模拟现实图像存在的形态,防止模型过拟合。（3）使用ResNet101进行特征提取,并且使用迁移学习的方式,使网络更快的训练,通过在残差结构中添加通道空间注意机制,进一步强化网络对细节定位的能力。（4）使用多分类的交叉熵损失函数替换原网络的类中心损失函数,通过添加判别组件和多样性组件这两个部分,专注每个类别的判别性区域,更好的捕获细节信息,辅助网络更好的寻找局部可区分特征。本文基于弱监督的票据图像细粒度分类算法,实现了票据分类的功能。通过实验进行验证,能够实现预期的目的,本文所提出的票据分类方法分类的结果准确、可靠,能够为后续票据检测和识别提供精准的类别信息,能够满足实时系统应用。