随着计算机技术的不断发展,许多科学文献开始以电子版的形式发布和存储,这些资源中存在许多无法使用传统的OCR方式识别的公式。近年迅速发展的在线教育的应用中也有许多需要重用和检索的公式。为了重用和检索这些公式,需要将这些公式转换成文本数据。但由于数学公式的二维结构与复杂性,识别和检索数学公式仍然是一个难题。因此,实现一个数学公式的识别和检索系统对于文献资源的重用、在线教育乃至防止学术不端都有较大意义。本文实现的数学公式识别与检索系统主要包含公式检测、公式识别和公式检索三部分内容。本文针对这三个部分做了相应的研究和实现,并作出了以下贡献:由于现有数据集不足以支撑公式检测和公式识别的深度学习所需,本文利用正则表达式和图像处理的方法自动化制作了用于深度学习的公式检测和公式识别的数据集,并详细记录了制作过程;在公式检测模型方面,本文通过对比多种检测网络,选择并针对数学公式的特点改进了 Faster-RCNN模型,最终能够较好地检测出文档中的公式,准确率达到了 90%;在公式识别模型方面,本文提出了一种基于深度学习的端到端的识别方法,使用卷积神经网络提取图像特征,并使用基于注意力机制的Seq2Seq模型将图像识别为LaTeX文本,在基于2003年KDD Cup数据集的提取的公式数据上取得了良好的效果,通过将识别后的文本生成的图像与原图像进行对比,完全匹配率达到了 70%以上。在完成的公式检测和公式识别模块的基础上,本文设计了公式和文献的存储格式,并基于开源的Elasticsearch检索引擎搭建了一个公式识别和检索系统,并在检索引擎的评价指标上取得了良好的效果。