目录中文摘要.....................................................1Abstract.....................................................2第一章绪论..................................................41.1课题研究背景及意义....................................41.2国内外研究现状........................................51.3研究内容..............................................61.4论文结构..............................................6第二章深度学习的基本理论....................................82.1神经元的数学模型......................................82.2多层前向神经网络......................................92.3深度神经网络..........................................102.4神经网络的学习方式...................................11第三章验证码图像处理技术...................................123.1图像预处理...........................................123.2字符定位和分割.......................................13第四章卷积神经网络的设计与实现.............................164.1网络结构.............................................164.2网络初始化...........................................194.3误差反向传播.........................................214.3.1全连接层的反向传播..............................224.3.2池化层的反向传播................................234.3.3卷积层的反向传播.................................24第五章网络性能分析.........................................255.1参数的选择...........................................255.2识别结果.............................................255.3隐层神经元数量对网络性能的影响.......................265.4学习率对网络性能的影响...............................28第六章总结.................................................306.1工作总结.............................................306.2不足与展望...........................................30参考文献....................................................32致谢........................................................35中文摘要验证码是一个系统区分人类与非人类行为的有效方式。验证码识别技术能够使计算机程序输入正确的验证码，伪装成人类用户进入目标系统。另一方面，系统方面需要考虑破解验证码识别技术，修补验证方式的可能漏洞，使之能够更有效地区分人类与计算机的行为。深度学习能够使计算机更好地处理复杂的输入，因此能够识别更为复杂的验证码。深度学习是人工智能的一个重要分支，对于识别验证码图像，相对一些其他的学习算法，深度学习在同样的计算资源的条件下，具有更为优秀的性能，因此在处理同样的问题时深度学习能够节省一定的计算资源。本课题主要讨论了基于深度学习的验证码识别方法设计与实现。具体地，第一步采集验证码图像。这些验证码图像来源有两种：一是通过编程仿照常见的验证码图像生成数据集；二是从网站上下载验证码图像保存成数据集。第二步对验证码数据集进行去噪、定位等预处理，再使用垂直投影法进行分割，将分割出来的字符保存为学习样本。第三步构建卷积神经网络，使用采集的部分验证码图片对网络进行训练，调整参数。最后一步使用剩余的验证码图像对训练好的网络测试，整理测试结果，统计正确率，分析不同参数对神经网络性能的影响。经过测试，本论文设计的卷积神经网络基本能够成功地识别验证码图像，对仅包含数字的验证码图像识别效果较好，正确率达99.28%。关键词：深度学习,卷积神经网络,验证码识别,图像处理AbstractTheverificationcodeisaneffectivewaytodistinguishhumanornon-humanbehavior.Theverificationcoderecognitiontechnologyenablesthecomputerprogramtoinputthecorrectverificationcode,disguisedasahumanusertoenterthetargetsystem.Ontheotherhand,thesystemneedstoconsidercrackingtheverificationcoderecogn...
