近年来随着深度学习技术的快速发展与卷积神经网络在计算机视觉研究工作中的广泛应用,图像分析与理解领域的研究工作取得了瞩目的成绩。作为图像分析与理解领域的重要分支,光学字符识别（Optical Character Recognition,OCR）技术和方法逐渐成熟,在生活中得到广泛应用,将OCR技术用于文档识别与场景文字识别的需求与日俱增,具有极大的使用价值和应用前景。票据作为人们生活中常接触到的一种纸质文档,记录着重要的消费信息,然而在票据信息审核以及财务报销等流程中,处理大量的票据是一项繁琐的工作;在金融公司信息化升级过程中,对海量纸质票据的处理归档同样是耗时耗力的工作。得益于OCR技术在文档识别领域的广泛应用,部分研究者研究利用OCR技术对票据图片进行自动化处理,定位票据图片上的文本并识别文本信息。但票据图片上的文本目标极为密集且由于印刷质量、纸张损坏、手写签字、扫描质量等因素影响,票据文本识别难度较高。另外面向个人用户的票据识别系统较少,且识别精度较低,无法满足实际应用需求。因此,研究针对票据图片的文本识别算法和建立票据文本识别系统具有十分重要的研究意义和价值。本文从构建票据文本识别系统出发,研究OCR技术在票据文本识别任务中存在的问题和技术难点,针对票据文本特点和技术难点设计文本检测与识别算法。针对分割算法在密集票据文本上存在的粘连问题,本文设计基于建模相邻文本单元间边界区域的文本检测算法,提出边界建模思路与对齐损失函数设计,解决密集文本分割区域粘连问题;引入可微分二值化模块解决分割网络训练不充分问题,提高票据文本检测精度。针对主流文字识别算法在票据数据上识别精度较低的问题,在分析票据文本特点与方法缺点的基础上,从训练方式、网络结构、后处理三个方面提出改进设计,提高票据文本识别精度,为基于深度学习的票据识别系统提供高精度、高鲁棒性的文本检测与识别算法。为了进行票据文本检测识别算法研究与方法性能验证,本文提出票据文本数据集（Bill Text Dataset,BTD）。最后,在本文设计的针对密集票据文本的检测与识别算法基础上,通过对票据识别系统的需求分析和功能分析,完成网页端基于深度学习的票据识别系统设计与构建,满足应用需求。