甲骨文作为古文字在当前出版物上多以图片的形式出现,这给检索带来了困难,同时为释读和识别甲骨字带来了挑战。近些年传统的模式识别方法开始广泛使用在甲骨字考释过程中,并在甲骨字识别上达到了一定效果,然而在甲骨字部首检测精度中却不理想。本文提出利用深度学习网络构建甲骨字部首检测模型,在实验过程中,通过YOLOv2模型实现甲骨字部首检测功能,甲骨字部首检测精度达到了90.78%,分别超出了YOLOv2-tiny和Faster R-CNN网络模型的实验精度。此外,对擦除处理后的甲骨文数据集进行训练,其模型实验均值准确率(MAP)分别超出了YOLOv2-tiny和Faster R-CNN模型的7个和3个百分点。本文提出的基于语义分析的YOLOv2网络的甲骨文部首演变的相似性分析,甲骨文部首检测的精度达到了95.15%。实验同时也表明部分甲骨文部首在演变过程中,其字体结构存在一定的关联性。与传统的分类算法在甲骨文检测上的结果进行比较,本文的主要贡献如下所示:(1)利用安阳师范学院甲骨文数据集和互联网甲骨文图片,整理成本文的甲骨文部首数据集;(2)对原始的甲骨文数据集进行了擦除处理,并与未作擦除处理的甲骨文数据集的实验进行了对比,增加了实验的科学性与严谨性。此外,本文还对部分甲骨文图片进行了翻转和镜像处理,扩大了数据集;(3)将YOLOv2、Faster R-CNN、以及YOLOv2-tiny网络模型用于甲骨文部首检测,获得了较高的检测精度;(4)利用YOLOv2网络构造了语义分析的甲骨文部首检测算法模型,能够反映甲骨文部首演变的规律,同时使用MATLAB对甲骨字进行了余弦相似度度量实验,增加了实验的科学性;(5)本文训练得到的深度学习的甲骨文部首检测模型不仅对简单的甲骨文部首检测取得了很高的精度,还能够对复杂的甲骨字进行检测并取得良好的效果。