文字是人类文明发展的产物,是抽象和浓缩的信息载体,打破了语言在时间和空间上的限制,有看和写的功能,与人类的历史一起发展。在没有数字化保存设备之前,文字通过石刻、铜铸、毛笔或硬笔书写等方式呈现在兽骨、金属、岩石、竹木、纸张等载体上,随成像技术的发展,文字搭载图像进行传播,如照片、扫描图像等。文本识别技术起源于文档文本识别,目前在手写文本、自然场景文本等文本的识别上仍有广泛的研究。目前大多数的文本识别研究对象以英文为主,汉字文本相比英文有较大的区别,如对象外观、笔画组合形式、字符分类量等,开展专项研究具有很大的意义。而其中汉字文本中有较大识别难度的古汉字文本识别研究很少。古汉字文本极为多变,一方面是古汉字文本的书体、字体变化多样,另外分布场景极为复杂,且古汉字文本的字符数量极为庞大,需要识别方法有很好的特征提取能力和分类能力,以及面对复杂场景变化的鲁棒性。多场景古汉字文本分类数量多、分布场景多样,书体字体多样,并且在不同朝代、不同人的书写习惯也提升了识别的复杂度。因此我们提出了针对多场景古汉字识别的研究。深度学习方法在很多机器视觉领域获得了极大成功,具有极强的特征提取和分类能力,以此为基础,本文的主要研究工作包括三个方面:（1）为完成多场景古汉字文本识别的深度学习解决方案,首先建立有效的多场景古汉字识别数据集,包括人工生成的训练集与实地收集的测试集。测试集样本涵盖了目前大多数的多场景古汉字文本、字体和分布场景,如甲骨文、篆书、隶书、楷书、行书、草书等书体和牌匾、碑文、古籍字画、摩崖石刻等分布场景。训练集样本使用人工生成方法,涵盖3755字符数量和多种书体、分布场景,并对数据集特征分布进行了分析。（2）基于以上研究内容获取的数据集开展识别研究。为更好地对比研究方法的性能,首先进行人类的主观识别实验,得到平均识别准确率为52.98%,说明了MACR任务的困难程度和本文研究的应用价值。考虑到本文研究的开创性,识别方法首先选用几个优秀的卷积神经网络进行基础识别实验,得到最高Top-1识别准确率为66.94%,与人类主观识别实验结果进行比较,准确率的大幅度提升说明了深度学习方法对此多场景古汉字识别任务的适用性和人工生成训练集的有效性。进一步地,本文对基础识别结果进行分析,结合置信度与准确率之间的正相关关系,提出基于置信度与多模型结合的方法,其中多模型涉及辅助数据集、多参数、多网络等。识别结果中多模型结合方法相比基础方法,top-1到top-5的提升增量分别为6.42%,6.24%,6.03%,5.71%,5.30%,说明了本文提出的多模型结合方法的有效性。（3）基于前文中的多场景古汉字识别数据集和基础实现方法,本文对数据分析发现因训练集、测试集的来源不一致,两者在字符分类数量、数据分布等方面存在差异。一般的深度学习方法面对的数据是独立同分布的,而本文的情况是两数据存在数据偏移。本文提出基于域适应与交叉域数据融合的方法,包括域深度特征和类中心特征的对齐,同时为避免因分类数不一致导致的负迁移,本文提出交叉域融合对目标域进行全类化更新,源域使用高置信度伪标签样本进行数据增强。实验结果相比基础方法和多模型结合方法,Top-1准确率获得8.06%,3.08%的提升,且模型体量要远小于多模型结合的方法。本文对多场景古汉字识别方法进行了研究和探讨,进行了大量的实验,包括人类主观识别实验、基础实现方法实验、基于置信度与多模型结合方法的实验、基于域适应与交叉域融合方法的实验,实验结果证实了实现方法的有效性,多场景古汉字的识别问题在本文获得了一定的解决。