随着互联网技术的飞速发展,各种网络空间安全问题也日益突出。验证码技术是经常用于维护互联网中人机交互安全的重要手段之一,它能通过简单的图灵测试区分当前用户为人类用户或计算机模拟的虚拟用户。文本验证码是应用最为广泛的验证码技术之一,广泛应用于网站登录等需要安全保障的环节。对文本验证码识别技术的研究是网络空间安全领域的研究热点之一。目前国内外研究者已经提出了多种验证码识别方法,但是这些方法都存在实验数据集庞大或分类模型复杂等问题,一般需要人工参与前期工作,此外这些方法一般是针对特定类型的验证码,不具有通用性,尤其是针对字符粘连、扭曲、变形等特殊情况识别效果难以令人满意。针对以上问题,本文基于图像分类和计算机视觉技术,重点研究了存在字符粘连、扭曲、变形等反分割处理的文本验证码。本文的主要工作和创新点包括如下几个方面:（1）基于数字图像处理对文本验证码图片进行预处理和字符分割。在字符分割阶段,加入了预分割操作,根据每张验证码图片的实际特性,利用投影分析、颜色填充算法、以及字符宽度等进行预分割,判断使用连通域分割或者滴水算法分割。连通域分割主要提取颜色填充算法所得单个连通域或其组合为独立字符。滴水算法分割则是将水滴轨迹作为分割曲线,滴水算法起始点由预分割阶段决定,同时针对文本验证码图片的特性对滴水算法做出适当修改,该方法不会沿着水平方向错误分割字符。此外,在字符分割阶段,会根据实际情况调整滴水算法起始点,重新进行算法,以保证提取出的字符足够独立,并且完整度较好。（2）构建了一个卷积神经网络对独立字符进行训练和识别。本文针对字符特征,设计了一个卷积神经网络,同时还引入了中心损失,可用于最小化类内差异,而传统采用卷积神经网络的文本验证码识别方案中使用的损失函数并不包含中心损失,只能最大化类间差异,两者相结合,能进一步提高识别准确率。（3）以Tensor Flow框架构建卷积神经网络,基于真实数据集搭建了文本验证码识别系统并进行了较为全面的实验。实验结果表明,本文提出的字符分割方法在实验数据集上可以获得超过98.5%的字符分割成功率,此外引入了中心损失的卷积神经网络也能在字符识别阶段表现出更好的性能,最终在实验数据集上能取得56.29%～99.57%的识别准确率。