随着信息科技的快速发展,人们习惯用计算机来加工存储文本信息,然而由于方便性,快捷性等特点,手写文本依然随处可见,并且计算机普及前的大量手写文本资料有着使用、处理和保存的需要,因此运用计算机技术实现对大批量手写文本的识别,具有重要的应用价值。本文将信息增益的思想融入到深度学习的样本学习阶段,并应用于识别脱机手写文本。经实验,模型识别率提高,训练时间缩短明显,最终把研究成果应用到手写文本识别系统中。本文的主要工作有:（1）考虑到手写文本识别图像采集过程中存在和出现的问题,采用图像旋转,归一化,图像去噪,图像灰度化,图像二值化等图像处理技术对手写文本图像进行预处理。在预处理前,本文对各种预处理技术的多种方法进行了比对及实验,并选择了适用于手写文本图像处理的各种方法,具体包括采用霍夫变换进行文本图像倾斜校正,采用均值滤波法做图像去噪处理,采用最大值法做图像灰度化,采用全局阈值法做图像二值化,采用改进的直方图投影法进行大篇幅的手写文本分割,采用双线性插值法做图像大小的归一化。（2）使用BP神经网络及卷积神经网络算法对手写文本图片进行识别,并辅以基于信息增益的样本学习方法,观察模型的最高准确率及运行时间。本文提出三种信息增益方法,旨在当模型具有一定识别率后,不再盲目地学习所有样本,而是基于信息增益的思想有选择性地学习样本。方法一:增加信息增益学习系数I,对神经网络已经能轻松识别的样本适当地少学习,而对那些识别率不那么高甚至可能识别错误的样本进行适当地多学习。方法二:增加学习阻断阈值F以减少模型对垃圾样本的学习。方法三:引入对模型信息增益较高的样本作为专家样本。经实验,方法一与方法二都有助于模型学习效率及模型识别准确率的提高。以手写数字为例,在达到同样等级准确率的情况下,方法一与方法二的模型学习时间分别是先前的54.4%与59.3%。（3）基于本课题的研究成果在华为云的Model Arts平台上构建了手写文本识别原型系统,原型系统具有手写文本识别,人工复核等功能,具有一定的应用价值。其中,人工复核是为了保证识别的高准确率,其在模型识别后为模型识别置信度较低的样本进行人为识别校验,其原理是:随机取出大量样本并各自得出模型Softmax函数的输出S值,可以假定这些S值服从正态分布,并基于3σ原则以及识别文本的重要性程度确定人工复核的S值的阈值。