本论文对低质量文本图像的OCR技术进行了深入的研究，目标就是从理论，算法和应用三个层次上研究低质量文本图像的高性能识别问题。研究工作主要包括以下几个方面：首先分析论述了低质量文本灰度图像条件下，文字识别与人的认知、经典人工智能问题、以及二值图像识别技术之间的关系，对低质量文本图像OCR技术的研究方向提出了有别于传统的观点和看法。在上述理论框架的指导下，结合低质量文本自身的特点和规律，设计了一个低质量文本图像的识别流程，并在各主要步骤给出了实用高效的算法，主要有：基于连通区域的层次结构切分算法：不同于传统的先行列切分，再字切分的算法过程，本方法采用了由小到大、自底向上的切分策略。通过连通区域特征的变化规律找出适用于切分的最佳阈值，再根据先验知识和启发式规则，对连通区域做适当的合并分割操作，最后得到最优的切分结果。实验表明，该方法对于低质量文本图像能够取得令人满意的切分效果。基于地形特征的种子区域增长算法：基于确定点和关键点概念，利用像素地形特征自动的选择种子点，通过一种改进的种子区域增长方法，从种子区域开始，依据一定的优先级规则，逐渐向其近邻点扩展，对单字灰度图像二值化，有效地获取了字符的结构信息。本方法与已有的二值化方法相比较，能够更好的保留有效的字符结构信息，提高了识别的正确率。基于不对称性的分类部分空间法：发现了相似字之间误识的不对称性，并对这种不对称现象的成因进行了细致的探讨和分析。基于这种不对称性，提出了一种分类部分空间方法来解决相似字的识别问题。相似字按其结构特点被分成若干基本类别,不同类别在相应的部分空间提取不同的特征进行比较,以达到正确识别相似字的目的。经百万字左右的文本测试表明，本文提出的方法对于不同质量文本的识别性能有不同程度的提高，尤其是对于质量比较低的文本（五十年代的文本数据），其识别正确率达