人工智能技术已经渗入到各行各业并为社会带来了很多便利。但仍然存在很多尚未被挖掘且有着广大需求的领域,例如医疗行业中患者留存的大量的纸质化验单作为重要的医疗大数据的来源之一,并没有被利用起来。然而对患者来说,仍被广泛使用的化验单难以存储和管理。相比之下,电子的医疗化验单不仅能够解决以上问题,还能够促进远程医疗和医疗大数据的发展。因此,将传统的纸质医疗化验单电子化是实现医疗大数据至关重要的一步。值得提及的是,由于中文化验单结构复杂、字符种类繁多,包含中文、英文、希腊字母、数学符号等,导致中文化验单图像的识别是一个富有挑战的任务。针对以上问题,本论文首先提出了一套完整的解决方案——基于深度学习的化验单信息抽取方法,包括化验单中的文字检测与识别。基于深度学习的文字检测算法避免了传统文字检测算法繁琐的步骤,检测效率高。不仅如此,基于深度学习的检测模型还表现出较高的准确率;考虑到单字识别模型的标注成本过高,我们基于Tesseract定制了适用于化验单场景的识别模块。Tesseract可作为预标注工具并支持多语言的字符识别,它的训练速度相比神经网络模型较快。通过分析单字识别模型的实验结果,我们发现基于单字的识别模型依赖字符分割的结果,对形近字的识别效果不佳,而且对图像质量(图像模糊、文字倾斜等)比较敏感。此外,目前比较主流的文字识别模型都是为单一尺度的字符设计的,而且主要用于英文、数字的识别。因此,本文对字符特征的尺度问题做了深入的分析并提出了基于多尺度特征的序列识别模型,该模型极大地减少了形近字的识别错误。此外,本文提出的基于多尺度特征的序列识别模型将化验单文本块当作序列进行处理,省去了字符分割的步骤,整个序列的上下文信息也起到了辅助识别的作用。为了证明我们提出的模型的有效性,我们在合成的数据集上进行训练,在我们收集的真实化验单上进行评测,实验结果表明,我们的模型的识别效果不仅优于单字的识别模型,还优于目前主流的识别算法。