文字是人类最伟大的发明之一,它不仅是人类语言的书面表达形式,更是一种文化传承。一方面,文字作为一种重要的信息媒介,如图书、文档、票据等包含大量文字,能够方便人们的信息交流,从而显著提高办公效率。另一方面,图像、视频中的文字携带大量的语义信息,通过识别其中的文字,有助于对特殊场景的理解。当今信息时代,文字的重要性愈加显著。由于中文字符类间相似性高,类内方差大,并且字符之间通常存在很大的数据不平衡问题,基于中文的识别模型容易过拟合,导致模型对训练数据的需求量大。因此,解决中文识别中出现的过拟合问题旨在模型能较好的区分形近字,并且能较好的区分常见字与生僻字,提高整体模型的识别率。中文文本行识别区别于中文字符识别在于一幅图片上存在多个中文字符,通常它们构成一个短语或者一个句子,通过用时序模型提取文本行文字间的语义信息以提高识别准确率。本文借助深度学习技术,结合中文的特性,开展对中文字符识别和中文文本行识别问题的研究,主要贡献如下:（1）提出一种基于最大熵正则项的中文字符识别方法,此方法是在交叉熵损失函数后加入最大熵正则项作为模型新的损失函数。首先对最大熵正则项进行了深入的理论分析,包括最大熵正则项对收敛概率分布和学习过程的影响,通过最大熵对模型进行正则化,不需对模型增加新的参数就可以提高模型的泛化性和鲁棒性。提出三种确定超参数的方法,通过灵活选择超参数在中文字符识别上取得更好的识别准确率,减轻由中文字符数据不均衡、类内差异大、类间分布具有相似性造成的过拟合问题,在自然场景数据集上识别准确率提升0.99%,在手写汉字数据集上识别准确率提升0.37%。（2）提出一种基于最大熵正则项的中文文本行识别方法,此方法是在时序分类损失函数后加入最大熵正则项作为模型新的损失函数。分析使用时序分类损失函数产生的尖峰分布问题,提出三种确定超参数的方法,通过灵活选择超参数在中文文本行识别问题上取得更好的识别准确率,减轻使用时序分类损失函数进行中文文本行识别由于峰值分布导致的模型过拟合问题,在中文场景文字数据集上识别准确率提升0.92%,在网络图像文本数据集上识别准确率提升1.55%。