作为图像处理领域最受关注的研究问题之一,数字识别技术通过对图像中的数字进行检测、分析和识别,实现数字文本的数字化,是文本识别中的一种。数字识别技术在日常生活和工业生产的很多领域都有着广泛的应用。对于传统的机器学习方法,数字识别技术通常是先在图片中获取数字所在位置,然后分割出单字符,继而将这些单字符送入字符分类器中进行识别获得识别结果。随着计算机性能的提高,深度学习技术目前获得了越来越多的关注,利用深度学习技术来解决数字识别问题可以克服传统机器学习方法中的诸多弊端,比如分割字符中对数字粘连的分割困难,特征工程中寻找特征定义的困难等,甚至可以通过端到端的方法直接实现输入带数字的图片能直接输出识别结果这一理想过程。目前较为主流的端到端实现数字序列识别的技术主要有两个,一个是注意力机制,一个是CTC机制。但是深度学习往往需要大量的标记数据样本来进行模型的构建,如果数据样本量不足,往往会得到过拟合结果,难以保证识别结果的准确率。因此,采用迁移学习可以辅助深度学习构建数字识别模型。本论文在对数字识别的传统方法和深度学习进行充分调研的基础上,提出了一种基于CTC损失的深度学习模型,该模型能实现端到端的数字序列识别并在大规模数据集的数字序列图片上进行了实验,验证了该模型性能良好,并研究了通过迁移学习提升模型性能的可行性。之后在建立真实数据集基础上,通过大量实验证实了迁移学习能够提高模型的自适应能力,大大提升了该模型的泛化能力,使之能够广泛应用于不同的场景。