互联网技术飞速发展,网络在给人们生活工作带来极大便利的同时,随之也衍生出各种网络安全隐患,比如大量垃圾账号的注册、网页登录的不安全性、黑客暴力破解密码盗取机密数据等,为防止这些问题的发生,验证码可以有效阻止机器人的肆意活动,其操作简单且能保障网络的安全,并受到各个网站登陆页面的青睐。目前大多数网上银行的验证码都采用文本类型的验证码进行银行网站的安全屏障,因此验证网上银行的验证码是否安全对银行的网络安全有着不可小觑的意义。目前大多网站以文本验证码来保障网站的安全居多,网上银行也不例外。文本验证码尺寸小可迅速加载完毕,故其受欢迎程度高,自然研究其安全性的人员较多。文本验证码从单纯的字符逐渐演变成目前的有复制背景的、扭曲变形的、粘连的、位置不固定的验证码,伴随着破解算法的不断更新与发展。本文主要以网上银行验证码为研究对象,针对验证码识别问题提出基于卷积神经网络的验证码识别方法。对于有粘连、旋转不易分割的验证码图像灰度化后作为一个整体输入,通过构建多层卷积神经网络,并选取Relu函数为非线性激励函数,对验证码图片进行字符特征提取与验证码的识别。采用Tensorflow深度学习框架训练成卷积神经网络模型,以LeNet-5模型为根据,搭建合适的卷积神经网络结构,并使用深度学习平台Floydhub进行验证码模型训练,通过测试集对模型进行评估及参数调优。测试结果表明,该模型能有效识别不同复杂程度的验证码,并具有较好的鲁棒性与泛化能力。一定程度上解决了不易分割验证码的识别问题。通过破解验证码的过程中,发现网上银行验证码的不足之处,从而为保护银行网络安全性提出一些改善验证码的意见。