随着智能移动技术的发展,OCR技术在移动设备上的应用为人们的日常生活学习带来了很大便利,满足着人们日益增长的学习需求。但现有的移动终端OCR技术过度依赖网络通信,即需要云终端服务的支持,通常无法离线使用。虽然移动端OCR识别技术使用灵活,但直接在移动终端嵌入现有的OCR模型,尚不能达到应用级的识别效果。设计一套能够兼顾识别精度和模型大小、耗时的轻量级移动终端OCR模型搜索算法,具有较高的现实意义和实用价值。针对上述问题,论文将移动终端OCR模型设计与开发作为主要研发内容。其基本思想:算法应从当前的高性能OCR技术出发,解决高性能OCR模型嵌入到移动终端的技术难点,通过网络结构搜索,在给定的目标函数约束下,搜索适用于移动终端的OCR模型。论文的主要工作:首先,研究国内外OCR技术的研究现状,分析相关的研究成果,确立本论文的研究内容;在OCR算法框架研究的基础上,确定了OCR模型设计及开发的技术路线。其次,以目前计算机视觉领域性能最佳的深度学习技术作为OCR模型设计的基础架构,通过对现有基于深度学习的OCR模型进行分析,并经过实验,确定了本文期望嵌入到移动终端的深度学习模型。接着,基于神经网络轻量策略对选定的深度模型进行轻量改进,在不损失精度的情况下,尽可能的缩小模型占用的存储空间以及模型耗时。然后,利用网络结构搜索策略,搜索并确认符合约束条件的轻量模型结构参数。最终,在真实环境采集的公开数据集上,验证搜索结构的有效性。在实际手机移动终端上对本文搜索的移动终端OCR模型进行了测试。测试结果表明,本文搜索策略搜索出来的OCR模型兼顾了模型大小、耗时和识别精度,达到了预期的效果,基本满足了日常文本识别任务的需求,体现了一定的实际应用价值。