近些年来,随着社会进步和发展,医疗领域的改革和发展已经成为社会热点。其中关于分级诊疗的远程医疗服务作为国家建设“健康中国”战略的一部分正在逐步推进,利用人工智能技术推动医疗领域改革和发展也逐渐引起关注。在分级诊疗方案里,建立起就医患者在多级医院的病历档案是基础工作,一般来说,患者的病历档案主要包括:化验单、病历、化验影像图等,然而当前大多数基层医院并没有建立完备的电子病历数据库。在远程诊疗的场景里,患者大多是将打印出来的化验单拍摄成照片以图片的形式发送给远程医生。这样的化验单图片数据是非结构化数据,从建立患者病历档案的角度来看,如何将化验单图片里的信息提取并结构化是一个迫切的需求。本研究课题将利用目前迅速发展的深度学习技术,建立一个完备的化验单图片信息识别提取的系统,实现端到端的从图片输入到结构化数据输出的功能。算法上,本文设计完成了文本区域检测模型和字符串识别模型,并主要针对字符串识别模型进行了研究和改进,提出了分别适用于不同类型数据的基于卷积神经网络的中文字符串识别模型和基于序列模型的非中文字符串识别模型,同时,创新性地引入了在人脸识别领域中的类中心损失和目标检测领域的权重损失,构造了针对文字识别任务的新的范例,说明了其在文字识别领域也有非常大的潜力。同时,从模型轻量化的角度本文创新性地结合局部卷积机制设计了局部卷积模块来代替传统的卷积操作,从而实现了模型参数与运算量上的降低。并且,本文借鉴了度量学习和模型不确定性的思路,设计提出了不确定性度量模型,该模型在给出预测结果的同时也给出预测的不确定性,满足了实际应用中对模型识别结果不确定性评估的需求。工程上,本文针对化验单识别的需求,结合文本区域检测模型、字符串识别模型和不确定性度量模型,基于Django Web框架构建了完整的在线化验单识别系统,该系统架构上包括离线模型训练模块和在线系统模块两部分,可使用该系统完成化验单识别等功能。