随着社会的高速发展,企业对外交易产生了大量银行回单凭证,应用于企业内部做账及税务核算等场景。银行回执单需要被快速识别和录入,而在识别过程中存在几个问题。其一,当银行回执单图像存在污渍、噪音干扰、文本行倾斜的极端情况下时,其识别的准确度较差;其二,银行回执单图像整体的识别效果存在一定的改进空间。论文基于上述问题,在文本识别阶段采用并改进了CRNN模型,在CRNN模型的卷积层和循环层分别融合不同的残差网络模块。首先在卷积层采用经典残差网络模块Res Net、Dense Net提取图像特征,形成了融合单残差网络的CRNN模型。在循环层采用残差形式的BLSTM进行序列预测,并与前面表现良好的Dense Net模块组成了融合多残差CRNN模型。对CRNN网络结构及参数进行调整和测试,使得多残差CRNN模型表现出良好的识别效果。其中,为了更加拟合银行回执单图像的文本特征,论文通过图像增强技术生成大量高质量的数据,利用中文语料库,通过字体、字号、颜色、背景、加噪、模糊、颜色增强等变化随机生成,共140万张图片。并做了对比试验验证了此数据集的优越性。论文针对银行回执单图像,将融合残差网络与改进的CRNN模型与文本检测模块进行有效的结合,形成一套完整、高效、准确的集成模块。其中,针对银行回执单识别存在的问题,在文本检测前设计了预处理流程,预处理流程包括去除噪声和文本倾斜角校正。本模块与Easy OCR、汉王OCR、百度OCR产品分别进行两组对比测试,实验结果表明本模块在识别极端和常规情况下的银行回执单图像都能够保持足够的稳定性,在条目准确率和字符准确率上全方面优于Easy OCR、汉王OCR的产品,微弱于百度OCR的产品。在一定的精度要求下,本文设计的集成模块产生的经济效益更高。