利用卷积神经网络（CNNs）对非母语使用者书写的英文字母进行分类识别，借助 HIEC 数据集训练了一个定制的 CNN 模型，并通过调整超参数进行了消融研究，结果显示该模型在字符识别准确性方面优于其他模型，达到了 97.04% 的准确度，相对于次优模型提升了 4.38%。

Jun, 2024

基于多个卷积神经网络的集成模型 BanglaNet 被提出用于分类孟加拉基本字符、复合字符、数字和修饰符。在多个数据集上进行的严格实验表明，相比于最近的基于卷积神经网络的研究，该模型获得了显著的识别准确率。

Jan, 2024

本研究提出了使用一种新的端到端模型 KuroNet 来识别日文草书体，并转录为现代日本字符。通过预测整个文本页中所有字符的位置和标识，该模型可以处理长距离上下文、大词汇量和非标准化字符布局。我们证明了该系统能够成功识别大部分旧式日本文献，同时也探讨了系统局限性，并提出了未来工作的方向。

Oct, 2019

本研究基于卷积神经网络（CNN）提出了一种针对儿童阿拉伯手写字符识别的模型，其精度在 Hijja 数据集上为 91%，在阿拉伯手写字符数据集上为 97%，并提出了一种基于笔画数的多模型方法，融合 Hijja 和 AHCD，平均预测准确率达到 96%。

Nov, 2022

本文提出了一种基于循环神经网络的框架，将其作为识别和生成中文字符的判别模型和生成模型，达到了 ICDAR-2013 竞赛数据库上的最先进效果。

Jun, 2016

本文研究基于深度学习的方法在离线手写中文文本识别领域的应用，使用只有卷积神经网络的模型和 CTC 损失函数实现，采用 Dropout 方法以防止过拟合，最终在 ICDAR 2013 竞赛数据集上实现了 6.81% 的字符错误率，为同等条件下最好的研究结果。

Jun, 2020

通过使用 NIST 数据集对卷积神经网络进行训练并提取图像特征，成功实现了 90.54% 的识别准确率和 2.53% 的损失，该技术可以对手写和印刷文本进行 OCR 和 ICR 的处理。

Jul, 2023

本研究提出了一种使用区域特定知识增强的深度卷积神经网络识别手写汉字的方法，在 CASIA-OLHWDB1.0 和 CASIA-OLHWDB1.1 数据集上分别取得了 97.20% 和 96.87% 的精度，优于以往报道结果。

May, 2015

本文提出一种机器识别手写字符的方法，通过使用深度学习技术与自然语言处理技术，在日本大学考试的试卷中取得了较好的成绩，具有较高的实用价值。

Jan, 2022

本研究提出了一种全局监督低秩扩展方法和自适应降重技术来提高离线手写汉字识别 (HCCR) 的计算效率，在保持准确度的同时极大地分减了计算成本和神经网络容量，尤其适于装配在便携设备上。经测试，所提出的算法在计算效率方面远超过现有最佳算法，其速度可达到之前方法的 30 倍，且计算成本更低 10 倍。

Feb, 2017