由于汉字种类繁多,加之书写风格迥异,离线中文手写识别是一项很困难的任务。离线中文手写识别主要分为两个任务:离线中文手写孤立字识别和离线中文手写文本行识别。当前,深度学习技术已经成为离线中文手写识别的主流技术,但在大词汇量的情况下,仍然存在较多问题。首先,由于汉字种类很多(简体字超过27000类,繁体字超过100000类),导致系统对存储和计算量都有很大的要求。其次,大词汇量的手写识别任务对训练数据量的需求非常大。最后,系统无法识别训练集以外的(OOV:Out-of-Vocabulary)汉字和网络“新字”。针对由大词汇量带来的系统冗余和对存储、计算要求高的问题:我们采用基于Two-steps算法状态绑定得到的简约HMM(PHMM:Parsimonious HMM)来建模汉字间的相似部分。在离线中文手写文本行任务上,与传统HMM算法相比,简约HMM不仅可以使模型更简约,而且可以提升系统识别性能、减小前向解码时间。针对由大词汇量带来的系统对训练数据需求高和“新字”、OOV汉字无法识别的问题:我们提出稠密结构的部件分析网络(DenseRAN:Radical Analysis Network with Densely Connected Architecture)来分析汉字的二维空间结构和部件组成。在离线中文手写孤立字与文本行识别任务上,DenseRAN这种基于部件分析的模型不仅可以大大减小系统类别数,而且可以识别训练集没有见过的汉字。