熊黎剑，吾守尔·斯拉木，许苗苗

(1.新疆大学 信息科学与工程学院 新疆 乌鲁木齐 830046；2.新疆多语种信息技术实验室 新疆 乌鲁木齐 830046；3.新疆多语种信息技术研究中心 新疆 乌鲁木齐 830046)

0 引言

随着信息化社会的不断推进，光学字符识别(optical character recognition，OCR)技术在各领域开花结果。印刷体文字识别在数字化办公、文献管理等方面均有良好的应用前景。相比于已成熟化的印刷体中、英文识别，印刷体维吾尔文识别还有研究空间[1]。维吾尔文多使用于我国新疆地区，包含32个字母，其中8个元音字母，24个辅音字母，词序是主语-谓语-宾语[2]。有一些维文字母的主体部分相同，仅依靠上下点的标记来区别不同字符[3]。同时，当字母出现在词前、词中、词末以及独立出现时，对应的写法也不同，切分不当会导致单词的改变，所以本文从整词识别入手。已有研究方法多以传统方法为主，如基于统计和结构的方法[4]、模板匹配法[5]等。这些方法往往需要较多的人工干预，包括手工设计特征和人工建立标准的匹配库等，因此效率不高。

近些年以来，国内相关的维文OCR系统是西安电子科技大学卢朝阳教授团队开发的维吾尔文识别软件。它的设计核心是：单词切分成字符再结合人工选取的特征(如方向线素特征和梯度特征)，再用欧氏距离分类器[6-8]，最终得到候选结果。2019年，该实验室又利用“翻字典”原理设计了从字符到单词的两级级联分类器[9]，完成了维文单词的识别。以上方法均是手工选取特征结合分类器进行识别，在特征选择方面具有一定的局限性。……