互联网技术的高速发展在给人们生活带来便利的同时,涉及的安全问题也日益突出,网络资源滥用、网络信息窃取等恶意行为俨然引起各界的高度重视,这使得验证码机制应运而生,并应用于各大网站中以防止计算机程序的恶意攻击,维护网络的安全。验证码识别的研究可以及时发现其设计漏洞,完善验证码设计机制,更好的保障网络安全。现有的验证码识别方法大多采用先分割后识别的思路,此类方法识别的准确率主要依赖于字符分割的效果,由于验证码类型的多样性,对于一些复杂的验证码,传统分割算法很难进行分割,算法普适性较差,因此至今未出现通用的验证码识别方法。本文从分割算法和验证码识别流程两个方面进行改进,具体工作如下:1.提出一种基于卷积神经网络融合邻域投影分割的验证码识别算法。首先,引入分割像素阈值参数,通过阈值设定使分割区域落在最小期望邻域内,进而结合投影法选取极小值点进行分割,提高了分割算法对于不同类型验证码的适应能力。其次,采用卷积神经网络对分割后的字符进行训练和识别,使其具有更好的泛化能力。实验结果表明,该算法对于不同类型验证码均具有较好的识别效果。2.设计一种无需字符分割的端对端卷积神经网络验证码识别模型。对传统验证码识别算法的流程提出改进。将验证码图像直接输入到卷积神经网络模型中,利用网络的学习能力自动提取字符特征信息训练产生最优模型权值,最后输出预测结果。实验结果表明,基于深度学习的端对端验证码识别算法具有更好的通用性,对于多种复杂类型的验证码识别率可达到96%-99%之间。