手写体中文的自动识别是中文文档数字化的前提和基础，在历史文档识别、手写笔记转录等方面有着重要的应用价值。手写体中文具有书写随意、结构复杂、相似性强、数目众多、缺乏统一规范等特点，这使得其自动识别成为一个具有挑战性的问题。
　　本文首先分析了手写体中文自动识别领域的研究背景与意义，对国内外的研究现状做了综述；介绍了深度学习的基础理论知识、卷积神经网络的构成，以及常用的网络模型。
　　其次，论文在经典LeNet-5网络模型的基础上进行改进，提出了一种LeNet-II模型。利用改进的Inception模块和空洞卷积，设计了一种并行的双路卷积神经网络结构；两路分支可分别提取手写中文图像中不同尺度的特征，获得多个尺度的特征图像；特征融合后，可以丰富特征图像多样性，提升识别的准确率。利用经典手写体中文数据集进行训练，实现了3755类手写体中文字符，以及相关文本的自动识别。实验结果表明，基于LeNet-II模型的手写体中文识别方法，其收敛速度和识别准确率明显优于经典LeNet-5模型，也高于其它传统算法；此外，对6幅手写体中文文本的平均识别准确率达到97.13%，超出了人类表现。
　　池化计算在降维的过程中容易忽略掉某些特征信息，为解决上述问题，提出了一种基于注意力机制的手写体中文识别方法。在卷积神经网络模型的基础上，搭建了一种AT-CNN网络模型，利用注意力机制实现了网络层之间的信息交互，减少了因池化操作导致的信息丢失。通过在经典手写体中文数据集HWDB上进行实验，结果表明，本文方法的识别准确率可以达到95.05%，明显高于卷积神经网络模型，也高于其它传统算法。此外，设计了一种手写体中文识别GUI界面，便于用户进行实际操作。
　　最后，论文对本文工作进行了总结，并对未来研究方向作了展望。