纸质破损文档的拼接复原问题是完整文档经过外力的作用使其被分解为纸质破损文档碎片,通过将碎片拼接还原为完整文档并且从中获取原始文档所要表达信息的过程。该问题的研究在司法证物的还原,纸质情报信息的获取,历史研究相关文献的修复有着重要的应用价值。本文所研究的是电子文档经过纸质打印后,被有规则的横切和纵切之后的纸质破损文档碎片拼接还原并且获取文档所表达的信息内容的过程,称为有规则的纸质破损文档的拼接复原问题。构建深度卷积神经网络模型的目的是通过神经网络模拟一个分类器,能够从大规模的标记的数据集中学习该数据集的数据特征并保存在神经卷积网络模型之中,同时根据模型学习到的特征对我们的待预测的数据集进行预测其属于哪个分类,其强大的应用能力已经在图像分类与识别领域得到的体现。聚类分析是常用的处理数据的工具,其主要目标将待处理的数据集合根据其特征将其分为不同的类别,根据不同的类别特征,可以对每个类别进行处理,达到降低数据混乱的程度与降低问题需要处理的数据规模的效果。其主要思路一般是将数据集中的数据的特征抽象成“距离”,根据数据集元素间的抽象距离,将抽象距离相近的数据集元素归为相同类别的方法。综合使用深度卷积神经网络和聚类分析来解决规则有横切和纵切的纸质破损文档的拼接复原问题。其主要步骤:首先使用训练深度卷积神经网络模型处在同一行的破损文档的拼接复原,再根据破损文档的特征并提其特征,根据特征使用聚类分析将同行破损碎片进行分类,再然后再对分类完成的破损碎片应用训练好的深度卷积神经网络,来完成每一行破损文档的拼接,而后再人工拼接工作,完成每一行的拼接任务,最终根据每一行破损文档碎片的特征,完成拼接任务。经实验表明,该方法能够加快纸质破损文档的拼接复原进度。本文的主要贡献如下:·提出应用聚类分析根据纸质破损文档碎片所包含的文字的行高与每行文字之间间距相同的特征从而将纸质破损文档碎片归为不同类别以达到将原始问题分解为每个分类类别问题以达到降低问题处理规模和难度的目的。·提出根据纸质破损文档碎片的特征,构造出与破损文档碎片相同特征的数据集,并使用该数据集训练深度卷积神经网络模型并且将训练之后的模型应用到纸质破损文档的拼接复原的方法。·提出解决规则纸质破损文档的拼接复原算法的一般处理步骤并且通过本文实验验证其有效性。