随着人工智能的不断发展,智能批阅系统走进了人们的教学生活。深度学习图像处理技术在手写体字符识别中取得了突破性的进展,因此采用深度学习技术对学生的作业、试卷进行自动识别批阅具有重要的意义。本文研究的应用场景为小学生试卷。在试卷采集过程中,由于人工扫描的过程中可能不规范操作导致了图像倾斜和不清晰,进而影响手写字符识别。再者试卷文本字迹模糊,学生手写体答案与印刷体题目重合等情况也会影响手写字符识别。传统文本定位方法例如试卷的底层特征提取和连通域结构的应用,其存在着大量的重叠与漏定的情况,不能够满足实际定位的需求。学生的手写体答案字形各异且笔画错杂,无法通过单个字符的切分来完成识别任务。因此针对以上问题,本文的主要工作如下:（1）本文先对试卷文本进行二值化,倾斜矫正和模板匹配等预处理工作来提高试卷的清晰度。利用SIFT算法进行试卷图像与模板的特征配准,再根据逻辑运算将手写体与印刷体分离,从而得到后续定位所需要的手写体样本。（2）本文基于场景文本实例分割网络DBNet,在网络中加入CBAM（Convolutional Block Attention Module）注意力机制从而提高了手写文本检测网络的性能。本文算法采用ResNet-18和ResNet-50为基础骨干网络来进行试卷数据集手写文本检测实验,最终ResNet-18在数据集上的文本检测准确率、召回率和F值分别为82%、93.1%和87.2%。ResNet-50在数据集上的准确率、召回率和F值分别为88%、91.6%和90.0%。（3）本文设计了一种基于CRNN改进的端到端识别网络模型。其针对学生手写体的不规则,在网络中加入了空间转换网络层（Spatial Transformer Networks,STN）对不规则手写体进行几何变换矫正。然后通过卷积神经网络提取文字图像特征序列,再者利用多层Bi LSTM网络来学习特征序列的上下文信息,最后结合En CTC损失函数来进行转录解码完成学生手写字符识别。在IAM英文手写体公开集和学生真实手写集上的识别率分别为82.8%和97.49%,与原算法相比分别提高了5.1%和2.68%。