甲骨文是中华文化的基因,是中华民族传统文化的根脉。随着甲骨文研究的深入和信息时代的来临,甲骨文研究进入了信息化时代。目前对甲骨文信息处理时遇到了两个问题,第一个问题是手写甲骨字的输入,但是,目前手写甲骨字的识别率较低,基本无法实际应用;第二个问题是甲骨文文献数字化,甲骨文文献在计算机中大多是以截图和影印的方式展现和存储,不便于检索和使用。这两个问题的核心问题是手写甲骨字的识别问题。目前对规范甲骨文体识别的识别率也只有83%,而手写甲骨字的识别难度更大一些。深度学习技术在手写文字识别方面也有了很大的进展。激励着我们采用这些技术来实现手写甲骨字的识别任务。本文研究了一些基于深度卷积神经网络技术的文字识别方法,并对手写甲骨字数据集进行了评估和验证,提高了甲骨文手写输入法的实用性,对甲骨文献数字化进行了一些探索,主要的贡献如下:（1）构建用于深度学习训练和测试的手写甲骨文字数据集。甲骨字与手写汉字不同,甲骨字具有较高的类内相似性,且字体比较复杂。在数据集的制作过程中,根据“殷契文渊-甲骨文大数据平台”中的字库,利用数据采集器对手写甲骨字进行采集。采用了Unicode第六平面编码的编码方式,对采集的手写甲骨字数据集编码。针对本文的手写甲骨字数据集,我们搜集了83245张样本图像,按照字库编码分为3881类字符图像,进行实验研究。（2）利用手写甲骨字数据集,借鉴最近手写汉字深度学习模型的研究思路,对基于卷积神经网络的手写甲骨字识别技术展开了研究。对手写甲骨字识别模型训练之前,将数据集进行预处理操作,尺寸统一调整为96×96×3。在调整经典识别模型与手写汉字识别模型提高手写甲骨字识别准确率的基础上,将全连接、全局平均池化、全局加权平均池化和全局加权输出平均池化作为网络的全连接层进行改进。保证识别精度的同时,减小模型尺寸,提高识别速度。最终,模型的识别准确率为97.67%。（3）设计开发了甲骨文手写输入法。使用Py Qt5作为客户端界面进行开发,对甲骨字进行书写,并通过与识别器交互实现用户手写甲骨字的识别。除此之外,还设置了复制甲骨字、保存用户手写甲骨字图像等功能,在实际工程中得到应用。（4）设计开发了甲骨文文献数字化系统。针对甲骨文文献的特殊性,对甲骨文文献开发了的版面分析、文字分割,文字识别等模块,并在实际工程中得到初步应用。