近年来,人工智能的发展为智慧医疗提供了强大的技术支持,以计算机视觉为基础的化验单智能解读能够使患者及时的了解自身病情,可以有效的提高就医效率,减缓就医压力。化验单智能解读首要工作是将化验单图像数据转化为结构化的文本数据。因此,自然场景下化验单文字检测识别任务尤为重要。针对当前存在的自然场景下化验单文字检测识别方法效果欠佳,无法达到实用标准等问题,本文融合了传统图像处理方法和深度学习方法对自然场景下化验单文字检测识别进行研究。具体从以下几个方面展开研究:1)提出了一种自然场景下的化验单文字检测方法(BHS-CTPN),可以有效解决当前化验单文字检测方法效果无法达到实用标准以及敏感信息区域无法有效过滤的问题。首先引入BRISK、Hough、Sauvola等一系列预处理方法进行化验单矫正、敏感信息区域去除和图像增强,其次在特征提取时卷积核的设定、anchor设定等方面改进CTPN网络模型,最后优化文本框合并策略。BHS-CTPN方法与CTPN模型相比,准确率、召回率、F1值分别提升了8%、10%、9%,与目前化验单文字检测领域效果最好的华为API接口相比,准确率、召回率、F1值分别提升了6%、3%、5%。大量实验结果表明,BHS-CTPN方法能够有效准确的检测到自然场景下化验单中文本位置,为后期文字识别奠定了坚实的基础。2)提出了一种改进CRNN网络模型的自然场景下化验单文字识别方法,可以有效解决文本框尺寸不一、文字模糊、形近字识别易错等问题。首先在特征提取时加深网络层数,其次根据数据分布设定文本框尺寸,最后对卷积核进行拆分,优化网络模型。改进的CRNN方法与CRNN模型相比,准确率、召回率、F1值分别提升了7%、5%、6%,与目前化验单文字识别领域效果最好的华为API接口相比,准确率、召回率、F1值分别提升了3%、2%、3%。大量实验结果表明,改进的CRNN方法能够精确的识别文本框序列,为后期化验单解读奠定了坚实的基础。3)提出了一种融合语言模型的自然场景下的化验单文字识别后处理矫正方法,可以有效解决自然场景下化验单文字识别在形近字识别方面容易出现混淆的问题。本文首先引入统计语言模型,对识别区域矩阵进行条件概率统计,预测最佳符合医学词库的识别结果,然后根据检查项对应关系进行前后矫正,最后基于融合的编辑距离和最长公共子序列方法进行识别结果矫正。引入后处理矫正方法后,准确率、召回率、F1值分别提升了2%、3%、2%。实验表明,融合语言模型的自然场景下的化验单文字识别后处理矫正方法能够进一步提高文本框的识别精度。综上所述,本文提出的三个方法,可以有效解决自然场景下化验单文字检测识别问题。为化验单智能解读做出巨大贡献,推动智慧医疗的发展。