票据在我们日常生活中扮演了十分重要的角色,将票据字符图像转化为计算机可以处理的文字数据是OCR技术的一个重要应用场景。现有方案通常使用图像预处理获得灰度图像,然后输入深度神经网络进行识别,在大多数情况都有出色表现。但是在一些情况下,由于印章、票据模版等因素的影响,字符的底板背景更为复杂,现有方案表现较差,其主要是由于复杂底板背景下对图像进行预处理难度较大且效果不稳定,对于不同版式票据往往不能通用。针对以上所提缺点,本文提出了针对具体版式票据训练专有字符识别网络的方式,直接对原始图像进行训练及预测,避免了图像预处理可能带来的字符信息丢失问题,并根据本文场景设计了一种特征提取能力更强的网络结构,同时制定了样本扩充策略以保证有充分的数据进行训练。最终实验结果显示本文的方案相对于以往方案显著提升了识别准确率,并且在不同版式的票据上都有较好表现,方案的通用性较强。其次,由于票据的姓名、地点名等字段经常包含生僻字,本文从数据和算法层面上构建方案来改善生僻、低频字符的识别效果。在数据层面上,本文通过待识别字符随机组合成语料,并生成对应训练样本的方式来提升生僻字出现的频率;在算法层面上,本文根据票据字符识别的特点去除网络中的循环层以降低模型体积、提升训练效率,并根据训练数据特点使用不同的loss函数分阶段训练。实验结果表明本方案可以有效提升模型对于生僻字、低频字的识别效果。