手写文本识别是模式识别领域中的一项重要任务。得益于近年来计算机科学和深度学习的飞速发展,手写文本识别技术的应用场景逐渐变广。常规的手写文本数据集已不足以应对多样的真实场景的研究需求。另一方面,主流的篇幅级手写文本识别方法依赖于文本检测器,在真实场景下性能较差。因此,本文面向真实场景进行手写文本识别研究,主要工作包括:1.分析了现有手写文本数据集的局限性,并针对手写文本识别技术的一项真实应用场景——教育文档场景,总结了其中的特殊挑战。在此基础上,本文构建并公开了一个大规模的教育文档数据集,设计了基于全卷积网络、残差长短期记忆模块和联结时间分类解码器的手写文本识别网络。实验验证了数据集的挑战性和识别网络各模块的有效性。2.针对主流的篇幅级文本识别方法中存在的错误累积问题,提出了一种简单而有效的新方法隐式特征对齐（Implicit Feature Alignment,IFA）。此方法通过密集预测将行级文本识别器转换成免检测的篇幅级文本识别器,统一了行级和篇幅级文本识别的流程。具体地,本文将IFA分别融入到基于注意力机制和基于联结时间分类的行级文本识别方法中,提出了两种全新的文本识别方法:注意力引导的密集预测和扩展联结时间分类。此外,本文还提出了基于Wasserstein距离的镂空集聚交叉熵（Wasserstein-based Hollow Aggregation Cross-Entropy,WH-ACE）损失函数,它能够抑制密集预测过程中的负样本噪声,从而帮助IFA达到更好的性能。实验验证了WH-ACE损失函数的有效性,证明了IFA可以在篇幅级文本识别任务上取得最佳性能的同时保持最快的速度,并在真实场景中表现优异。综上所述,本文构建并公开了能给手写文本识别领域带来全新挑战的真实场景数据集,并提出了简单而有效的手写文本识别新方法,它缩短了篇幅级文本识别的流程,为今后手写文本识别研究提供了崭新的视角。