验证码作为一种图灵测试,在网络安全方面发挥着重要的作用,比如阻止恶意脚本程序进行非法攻击。使用验证码作为安全防护手段,可以简单并且有效的区别操作者是人类还是机器,因此,验证码被各大网站广泛用于防止恶意批量操作、预防字典攻击和保证在线投票的真实性等方面。通过研究验证码识别技术,可以促进验证码识别算法的发展,还可以发现验证码设计是否安全,从而增强网络安全。字符型验证码识别分为先分割后识别和整体直接识别两种方法,本文主要研究在深度学习框架下字符型验证码识别的普适性问题,主要研究内容如下:1.提出基于滑动窗的全卷积神经网络验证码识别框架。传统先分割后识别的验证码识别方法对分割算法要求高,因为分割容易造成字符结构的缺失,从而影响后续的识别。本文基于全卷积神经网络的像素级分割结果,提出用滑动窗进行统计识别,有效解决了传统先分割后识别算法的弊端。2.提出矫正识别网络验证码识别框架。整体直接识别的验证码识别算法受字符的倾斜、粘连和扭曲等操作影响大。字符粘连和扭曲可以通过更多的数据和更强大的网络结构来减小对识别结果的影响,而字符倾斜很难通过这两种方案解决。本文提出通过仿射变换先对验证码字符进行矫正,然后整体识别的框架,可以有效提高整体直接识别算法的识别率。3.提出基于目标检测的验证码识别框架。验证码风格类型虽然多变,但是组成验证码的单个字符的变换方式却是有限的,只是对单个字符进行旋转、扭曲等。基于单个字符变换方式的有限性,本文提出目标检测的方法破解验证码,用目标检测网络识别验证码,实现验证码识别算法的普适性。