随着机器视觉技术的蓬勃发展,国内检务工作也逐渐和机器视觉领域接轨。检察院作为履行国家法律监督职能的重要机关,不仅内部需要检务文档传递,同时也需要准确、高效地同公安局、法院等其他政法机关进行信息、文件传递。但是相关的检务材料大多为纸质材料,难以快速获取检务图像中的有效信息。将文档材料转为数字信息存储到检务大数据平台,以便于更好地辅助检务工作,促进智慧检务工作的落实。目前较为常见的文字信息提取技术为OCR,但是OCR技术对于图片的拍摄环境、清晰度都有很高的要求,如果照片出现模糊或污渍干扰,其文字识别效果会很差。本文针对不同模糊程度的检务图像,围绕不同模糊类型所呈现的图像特征,以生物免疫、最大稳定极值和卷积循环神经网络等作为理论基础,设计三种模糊检务文本目标检测与识别算法;并使用本文收集的检务文本数据集作为实验素材进行仿真实验和分析。主要研究内容如下:（1）针对机理模糊、光照不均、显色度不高等轻度模糊类型,提出自适应免疫因子算法。受到人体免疫过程的启发,结合人工免疫算法,将人体的免疫过程机理应用于模糊检务图像的文字目标提取过程,针对不同模糊类型的检务图像设计不同免疫因子进行文本提取。通过对比实验验证,表明该算法可以提高检测模糊图像中文字目标的提取完整性、准确性。（2）针对被不同颜色墨渍覆盖的深度模糊检务文本图像,提出基于局部映射最大稳定极值文本提取算法。首先,将局部范围内的灰度特征进行非线性映射扩大灰度范围;然后,通过标记矩阵与最大稳定极值区域算法联合定位,确定污渍区域;最后,将污渍部分划分为子图像单独进行文本提取,通过子区域文本的校正、组合,得到最终提取结果。实验结果证明该算法对于深度模糊的检务文本提取具有较高的准确度、可行性。（3）为提高模糊检务文本识别的精确度,提出小样本条件下基于卷积循环神经网络（Convolutional Recurrent Neural Network,CRNN）模型的检务文本识别算法。使用深度双向GRU（Gated Recurrent Unit）替换原有的深度双向长短期记忆网络（Long Short Term Memory,LSTM）,在保证识别精度的情况下,提高文本识别的时效性;利用迁移学习的方法,将CRNN-Bi LSTM在大样本数据集训练得到的部分权重初始化本文网络,解决训练样本量较少的问题。实验证明,该算法在深度模糊检务图像检测任务中,具有较高的识别准确率和高效性。本文基于Py Side2和Qt Designer设计开发出一款模糊文本识别软件,实现实时的文本检测。