朝鲜语古籍是记录朝鲜族数千年发展历程中有关历史、政治、文化等信息的重要载体。先进的古籍文字检测方法和技术可以促进朝鲜语古籍文本图像的再生性修复、文字识别等古籍数字化相关环节。目前国内有关汉语、藏语、蒙古语以及彝语等古籍文字检测和数字化工作成果显著,但是朝鲜语古籍的数字化进程严重滞后,有关朝鲜语古籍文字检测方法的研究文献非常少。朝鲜语古籍文字检测面临着各种挑战,一是混排的汉语和朝鲜语的字体形状、书写规则、排版形式等方面存在差异,二是不同文字的文字尺寸差异较大以及朝鲜语古籍文献具有手写体特点,三是古籍可能出现的破损、模糊等退化现象。为此,本文提出了一种针对朝鲜语古籍文字检测的HRCenter Net改进模型,并在此模型上设计和实现了朝鲜语古籍文字检测与分割原型系统。首先,针对朝鲜语古籍图像中字符的精准检测问题,本文通过在HRCenter Net的残差结构中引入了Involution算子,提高HRCenter Net基线模型对文字全局特征的提取能力。在此基础上,为评估不同分辨率通道的重要性引入了通道注意力机制ECA（Efficient Channel Attention）。这样,构建的基于Involution算子和ECA的IENeck模块既可以通过注意力自动学习每个通道的重要程度,也可以通过Involution算子提高模型的局部感受野。然后,本文通过实验验证引入IENeck模块来获得更精准朝鲜语古籍文字检测结果的可行性。其次,为解决朝鲜语古籍标注数据集不足的问题,将汉语古籍数据集上的预训练模型迁移到朝鲜语古籍文字检测的任务中。引入迁移学习的主要依据是朝鲜语和汉语文字都是方块文字,尽管汉字是象形文字,而朝鲜语文字是字母文字,但是两种文字具有一定的结构相似性,因此预训练模型源域提取的文字结构特征迁移到朝鲜语文字检测的目标域中,有助于改善目标域模型的性能,而不会出现负迁移。朝鲜语古籍文字检测实验结果表明,在IOU阈值分别取0.7和0.8时,引入IENeck模型的查准率、查全率和F1指标明显优于基线模型和其他典型的目标检测模型。在进一步采用迁移学习预训练模型后,检测模型性能指标得到了显著改善,且阈值越高模型的改善程度越好。另外,汉语古籍文字检测实验结果也表明,IENeck模块的引入提高了汉语古籍文字检测的准确率。综合以上实验结果,本文提出的朝鲜语古籍文字检测方法可以准确地检测文字边界位置,满足朝鲜语古籍文字检测任务要求。设计和实现的朝鲜语古籍文字检测与分割原型系统,核心技术采用本文提出的改进HRCenter Net模型。系统设计的主要模块满足实际应用的基本功能需求,系统测试结果表明原型系统可以实现对朝鲜语古籍文字的检测与分割,具有较好的实用和推广价值。