随着社会进步和科技发展,人们对商品特别是食品的安全越来越重视。为提高生产效率企业通常采用喷码机喷印商品上的生产日期标签,使得生产日期标签作为评判商品质量安全的重要凭据,在出厂前必须进行检测。但是,生产日期标签中包含的点阵字符受生产环境、生产设备等因素的影响,造成字符弯曲、多余墨点、光照不均及字符不完整等问题。现有的字符识别系统对点阵字符分割与检测效果不佳,为此本文针对字符的分割及识别检测方法进行了研究,以提高点阵字符的检测准确率,主要研究内容如下:（1）针对点阵字符存在光照不均、噪点污染等干扰信息,提出了基于图像灰度信息的自适应二值化方法。该方法通过获取点阵字符图像的灰度均值,将其应用到自适应阈值函数中,用于对点阵字符图像进行二值化处理。实验结果显示,点阵字符感兴趣区域信息得到了增强,且滤除了多余的干扰信息。理论分析和实验表明本文提出的方法能有效降低干扰信息对点阵字符的影响,且对光照的适应性强。（2）针对传统字符分割方法分割点阵字符准确率不高的问题,提出了一种基于喷点融合特征的点阵字符分割方法。该方法首先求取行字符块每列喷点的跳变特征及投影特征;第二,将两者进行级联,得到融合特征;第三,建立基于SVM的分割模型以分割点阵字符;最后将分割得到的单个点阵字符送入ANN识别。该方法通过获取喷点的两种特征作为分割的依据能有效提高分割方法的鲁棒性,建立基于SVM的分割模型能提高点阵字符的分割效率。以自适应二值化处理后的图像进行了实验,结果显示,点阵字符分割和识别准确率分别达到99.92%和98.97%。理论分析和实验表明本文提出的方法能够对字符进行有效的分割,分割结果大大提高了识别准确率。（3）针对点阵字符存在字符不完整、墨点污染等缺陷问题,提出了一种基于余弦相似度的点阵字符检测方法。该方法首先搭建包含残差块的19层网络结构以防止模型出现过拟合现象;第二,在最后两层全连接层分别计算Center损失函数及Softmax损失函数,用于增强分类检测方法鲁棒性及判别样本所属的类别;第三,计算每类样本的平均特征向量;最后获取新输入样本的特征向量,计算其与每类平均特征向量的余弦相似度,依据余弦相似度判别点阵字符的缺陷情况。以具有缺陷问题的点阵字符图像进行了实验,结果显示,由缺陷样本和正常样本构成的样本集的识别准确率为99.867%,由只有缺陷样本构成的样本集的识别准确率为99.4%。理论分析和实验表明本文提出的方法不仅能检测出缺陷的点阵字符,并且能判别缺陷的点阵字符所属的类别,有效提高了点阵字符的识别准确率。