低质量文档图像二值化是文档分析与识别领域的研究热点。由于纸质文档在保存过程中受物理条件影响容易出现纸张破损、墨水污渍、背景渗透,或因人为破坏产生污迹,以及拍摄文档图像时出现光照不均匀等现象,导致文档图像产生较大程度退化,严重影响了文档分析与字符识别等算法处理的效果。因此,低质量文档图像二值化具有广泛的研究和应用价值,本文的主要研究内容及工作如下:(1)针对低质量文档图像存在文字笔画粗细不一和弱光照导致全局锐化处理后二值化效果不佳的问题,提出局部自适应锐化结合光照补偿的低质量文档图像预处理方法。实验中发现锐化程度对粗细不一的笔画影响不同,随着锐化程度的增加,二值化结果中,细笔画保留了更多信息,而粗笔画则逐渐出现了断裂情况。针对该问题,通过笔画宽度估计算法估计局部区域的笔画宽度,进行自适应锐化,在保留更多细笔画信息的同时解决粗笔画断裂的问题。此外,与弱光照文档图像相比,对强光照文档图像的锐化效果更突出,从而会产生更好的二值化结果。所以,本文通过对弱光照文档图像进行适当的光照补偿,作为图像锐化的有益补充。实验结果表明,采用提出的预处理方法对低质量文档图像进行处理后,二值化结果还原了更多细节信息,同时保留了粗笔画信息,二值化效果得到提升。(2)针对低质量文档图像二值化中数据集较小使得网络无法得到充分训练或容易产生过拟合且采用单一卷积网络存在泛化能力差,导致二值化性能不佳的问题,提出基于迁移学习与全卷积网络的低质量文档图像二值化方法。选取在较小数据集上表现更佳的全卷积网络模型U-Net,并引入迁移学习技术。选择VGGNet、ResNet和Inception三种常用迁移学习模型作为U-Net网络的预训练编码器;针对不同模型的特点,建立不同的解码器网络结构;与U-Net网络进行融合,其中,不同于采用池化层的输出这一常规处理,本文将卷积层的输出作为跳跃连接与上采样进行融合,使得上采样层更好地还原文档图像的细节信息。实验结果表明,引入迁移学习模型的U-Net网络加快了模型收敛速度,提升了模型泛化能力,从而提高了低质量文档图像二值化效果,其中融合VGG16和U-Net的低质量文档图像二值化方法(记为V16_U-Net二值化方法)的二值化性能更为突出。(3)运用提出的局部自适应锐化结合光照补偿的文档图像预处理方法(记为LASIC)和V16_U-Net二值化方法分别在DIBCO2016、2017和2018年的数据集,以及ICFHR2016年提供的Balinese Palm Leaf Manuscripts和ICFHR2018年提供的Southeast Asian Palm Leaf Manuscripts数据集上做综合实验。实验结果表明,提出的V16_U-Net二值化方法在多个数据集上均取得了很好的成绩,而结合了LASIC预处理方法和V16_U-Net二值化方法的最终二值化结果在各项评估指标上都得到了进一步提升,优于当年比赛中的最好成绩,表明其在低质量文档图像二值化上具有更好的性能。