随着人工智能、大数据技术和计算机硬件的不断发展和升级,越来越多的人都在享受着科技带来的便利,也催生了许多新兴的产业,如无人驾驶、智慧城市、智能医疗等;与此同时各种类型的数据尤其是医疗行业数据的指数型增长,也给数字化存储和诊断提出了新的要求,在未来相当长一段时间内,依托于机器学习以及深度学习方面的不断进步,以医疗数据为支撑的多学科交叉融合研究仍然是当前新兴技术产生和工程应用中非常重要的一环。过去的两年时间里,对我们自身以及世界上任何一个国家和民族来说,都是非常艰难的一段时期,医疗资源的短缺,医生数量的不足在来势汹汹的新冠肺炎面前这些问题变得更加明显,更加突出。我们知道,医学检验单在医院检查的各项项目中是非常普及的,每家三甲医院每天都会产生大量的检验单数据。如果这些数据全都由在职医生去一一解读的话,无疑会很大程度上耗费医生和患者的宝贵时间。为了更好的辅助医生和患者了解自身身体状况。针对以上问题,本文提出基于深度学习的方法对医学检验单进行智能检测识别和结构化输出的过程。相比于之前的传统OCR方法,深度学习在算法设计上变得相对简单,避免了繁杂的字符特征设计问题,并且可以很好的应用到各种复杂场景,去识别汉字、英文、数字、或者一些特殊符号等。通过对目前主流的图像预处理、图像文本检测和识别以及识别结果的重新排版分析技术的了解和学习,我们发现目前针对用户在自然场景下拍摄上传的各种图像,还远远没有达到想要的识别结果,由于在自然场景下图像拍摄受外界环境影响比较大,面临的挑战很多,像图像质量差、背景复杂、低分辨率扫描、文本结构化形式多种多样、字符间距长短不一、检验单的隐私化、图像中包含汉字、英文和各种字符等问题。基于用户上传图像形式复杂多变,本文首先通过传统的数字图像处理自适应或者启发式的算法来优化图像的前景表达和抑制无用噪声,然后在多尺度融合的特征金字塔网络基础上加入可微分的二值化函数进行端到端多方向文本检测,同时利用已有的先进的深层卷积循环神经网络模型在不同的数据上进行迁移学习实现多种类型字符串识别,并在实验过程中不断对模型进行微调以及应用一些在线训练模型技术来弱化真实检验单上所带有的一些类似字符的干扰信息和固有视角偏差,还要通过模型转换使得各深度学习库所训练出来的模型可以有效结合,最后为便于以后分析,还要对识别出的文本结果进行重新排列和关键信息选取,过滤掉无用信息,更好的规范化验单项目的有效结果,通过推理加速和多线程技术进行模型优化和有效部署。实验结果表明,基于所收集到的检验单数据集,本模型可以在检测、定位和识别任务的一定指标上优于之前主流的算法。