智能阅卷凭借其快速的批阅处理、客观公正的评分以及更加直观方便的管理等特点,成为当今考试阅卷的主要发展方向。目前被广泛使用的自动阅卷方式主要是基于光标阅读机和答题卡,这种方式通常需要质量较好的答题卡,并配备昂贵的专用设备,后期维护困难,而且在答题方式上较为繁琐,导致此种方式很难广泛应用于中小型考试。针对现有自动阅卷存在的一些问题,以及随着计算机视觉和人工智能技术的快速发展和大量应用,本文以计算机视觉技术为算法核心设计开发了一种智能阅卷系统,该系统主要针对中小型考试,其能够直接对学生作答过的试卷进行识别,具有很高的应用价值。本文的主要研究内容包括试卷图像预处理、试卷版面相关内容检测、试卷目标区域信息识别和系统的设计与实现。首先需要解决由扫描仪扫描得到的试卷图像由于某些因素影响而引入的噪声以及出现倾斜的问题,通过分析试卷图像的特点,首先将图像予以灰度化和二值化处理,再使用均值滤波对图像进行去噪,然后在此基础上使用Radon变换进行倾斜矫正,最终得到较为清晰的未倾斜试卷图像,为之后的试卷识别奠定了较好的基础。在试卷版面相关内容检测部分,需要检测的内容包括二维码、题目和手写文本,通过调研相关研究,设计了如下方案:首先收集制作适用于本文需求的试卷数据集,针对试卷上出现的二维码,采用优化的Faster R-CNN目标检测算法进行检测;对于试卷上的题目检测,由于题目类型较为多样且包含的内容形式复杂,没有一个较为统一的模式,为了解决上述问题,本文基于文本检测算法CTPN(Connectionist Text Proposal Network)检测“题号+文字”的题目部分,然后根据检测框的左上角坐标设计题目分割算法,较好的实现了题目区域分割;对于手写文本检测,为了解决手写体和印刷体在检测时容易发生混淆的问题,本文受到细粒度图像分类思想的启发,设计了双线性池化模块改进CTPN算法,使得手写文本检测精度得到提高。在试卷目标区域信息识别部分,主要包括二维码解码和文本识别,二维码解码使用目前较为成熟的ZXing开源库,即可准确地识别二维码中的信息。文本识别方案设计如下:首先设计具有三个残差块的卷积神经网络提取文本图像的空间特征,然后再使用设计的双层BLSTM(Bidirectional Long Short-Term Memory)对特征向量进行融合并提取文本的序列特征,最后通过CTC(Connectionist Temporal Classification)算法进行转录翻译得到文本序列。综合上述研究,使用Tensorflow深度学习框架进行相关模型的训练和导出,并在Windows系统下使用C#编程语言和winform窗体程序进行客户端界面开发,使用My SQL数据库工具保存用户数据信息和学生考试信息,最终设计整合得到一个完整的智能阅卷辅助系统。