王雪纯 王冰晨

（河南大学，河南 开封 475000）

1 相关工作

验证码在计算机网络通信技术及资源共享领域的广泛应用，激发国内外学者对验证码的设计和识别进行系统研究，Mori 和Malik 提出了一种有效的基于形状上下文匹配的方法。Zhang J 和Wang X 利用4 种传统图像处理技术研究验证码识别的有效方法。更多的研究则采用传统的机器学习算法进行检测[1]。机器学习算法为难以建模的网络空间安全问题[2]提供可能性的同时，在性能及效果方面存在一定的提升空间，而基于深度学习的卷积神经网络（Convolutionional Neural Networks， CNN）因其在大数据背景下的性能及效果明显优于传统的机器学习算法，近年来被广泛应用于处理解决语音、图像识别与处理等问题。

与传统方法相比，CNN 的主要优势在于可以有效地从庞杂的样本中学习相应的特征，省去提取复杂特征的步骤，降低了网络模型的复杂度。当拥有足够的标注样本时，定义一个切实可行的网络模型，即可得到高于传统方法的识别效果。刘世林等人[3]提出了卷积循环神经网络（CRNN），将CNN 和RNN 结合起来完成对验证码的识别。VGGNet 是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind 公司的研究员一起研发的深度卷积神经网络，其主要探索卷积神经网络的深度与网络性能间的关系。张涛等人[4]提出采用深度学习端对端的单任务整体分类的方式对字符进行分割。

2 网络模型设计

该文提出的轻量级网络模型主要由卷积模块（卷积层（Conv2d）、线性整流层（ReLU）、池化层以及Dropout 层）和用于分类的全连接层组成，如图1 所示。……