以深度学习神经网络技术解决图像识别问题是研究和应用的一个热点话题。本文将深度学习神经网络模型运用于光学标记读取识别(Optical Mark Reader,简称OMR),解决了传统识别方法中存在的擦除不净和填涂较轻涂点识别率低等问题,降低了人工劳动量。论文利用改进的投影分割法获取涂点信息,基于TensorFlow平台搭建了专门的光学标记识别神经网络模型(Convolutional Neural Networks Mark Reader,简称CMR),针对实际的OMR识别问题进行了研究和实践工作,实现了答题卡涂点的深度学习识别。调研发现,传统的OMR采用阅读器设备并结合网上阅卷系统进行答题卡的识别,但这种方式在识别过程中存在一些问题。主要表现在填涂轻重变化较大、笔的材质和质量有较大不同、纸张背景具有一定的模糊度、扫描偏移、随机污点、擦除不净等,这些因素导致部分涂点信息不完整、背景分离不理想等问题,从而造成识别率明显低于人类肉眼识别率,甚至出现误识和拒识等严重情况。针对以上问题,本文提出了基于卷积神经网络的光学标记读取识别方法CMR,并借助TensorFlow平台进行了研究和实践。论文的主要研究内容如下:(1)针对训练数据的涂点信息获取问题,论文改进了Hough算法,解决了数据图片中存在的倾斜问题,并结合投影法对图片进行标志区域分割以及涂点分割,将预处理的结果转换为TensorFlow所需的TFRecord训练数据格式。(2)针对OMR意外涂点的识别问题,在传统的OMR识别基础上,利用深度学习平台TensorFlow构建神经网络模型CMR。(3)针对CMR卷积神经网络模型的优化问题,论文结合深度学习理论知识对模型权值进行了改进,在变换数据增加数据集的基础上,利用L2正则化对卷积层和池化层参数进行优化,防止了过拟合现象;论文运用了视图工具TensorBoard查看TensorFlow模型的计算流程及参数设置情况,以帮助对模型的监督和调整。实验结果表明,本文的深度学习网络模型对答题卡的涂点信息识别准确率高达99.993%。与模型深度相同的深度置信网络模型DBN相比,有更好的效率和准确率,因而更具实用性。总之,CMR模型解决了传统OMR识别中对擦除不净和填涂较轻涂点识别分类不精确的问题,在提高阅卷识别率的同时节省了人力投入。