居民身份证是我国人民用于证明自己身份的重要证件,身份证上的个人信息将伴随着我国人民的一生,随着网络实名制的不断发展,个人征信重要性的不断强调,身份证信息逐渐成为一个人工作、学习、生活的必要信息,不少社会公共场所诸如高铁站等需要直接在现场采集用户的身份证信息,但是以往仅靠人工审核的方式不仅效率十分低下,投资的成本也很高,随着互联网的不断发展,科学技术的不断进步,人们逐渐将这一任务交给计算机来完成,通过互联网中心来处理并判断用户的身份证信息,其基本原理是通过图像处理以及模式识别技术对身份证上的信息进行字符识别,通过特定的算法对识别的字符进行判断,不仅大大提高了工作效率也降低了运行成本。本文在深度学习的基础上,提出了在保证识别准确率的情况下提高识别速度的优化算法,主要工作如下:(1)首先本文试用了蒸馏神经网络,提高身份证分类的方法,后经实验证明随着速度的提升准确率有一定的损失,后又继续尝试优化整体网络模型,最终选用的是基于经典的VGG16分类网络进行优化,考虑到VGG16分类网络层数众多,网络比较大,一般需要采用预训练的方法才能降低loss,而且如果计算机配置较低,在训练和调用模型测试时耗时较长,对实时性要求较高的需求有比较大的限制性。为此,本课题提出了一种改进VGG16网络中的网络层来加快网络的速度——VGG16-DSC网络:用深度可分离卷积层来替代VGG16中的普通卷积层。(2)其次本文提出了结合VGG16-DSC网络模型、CRNN识别法和noise2noise网络模型,提出了新的身份证字符识别方法和结果矫正方法,主要包含利用身份证信息的独特性用分类网络代替部分字段的字符识别工作和在最终识别出来的结果阶段利用身份证号码的特殊含义进行结果矫正,在要素识别问题中,提出在部分栏位中用“分类法”代替识别法对要素进行识别并利用到了上一章节VGG16-DSC网络模型,提高了准确率;在结果校正问题中,针对身份证的特点,对不同要素分别设计了校正算法,实验证明,校正有效提高了识别准确率。(3)本文搭建了一个基于深度学习的身份证识别的应用系统,利用java完成身份证识别系统前后端的搭建工作,对优化后的算法进行封装并开放对外接口,系统实现图片上传即数据传输接口,封装算法进行图片的处理和识别并将识别后的数据回调给身份证识别系统进行信息的展示和储存。