深度学习近年来在图像分类,目标检测,图像分割,语音识别等领域均有广泛的应用并取得了显著的成效。卷积神经网络是深度学习领域里一种重要的网络,具有许多传统分类算法无法达到的优秀特性。字符识别问题在近年来也被广泛研究,其范围较广,包括车牌识别、手写字识别、身份证银行卡字符识别、纸币序列号识别等等。本文针对市面上流通的人民币纸币序列号字符数据的特点,将深度学习应用到纸币序列号字符识别中。本文使用的数据样本为第五版人民币纸币序列号图像,对其进行了字符分割、尺度变换、样本扩增、标签标注等预处理,提出了利用先验知识的模板匹配分割算法,对背景较差的序列号图像分割具有较好的稳定性。本文针对纸币序列号字符识别构建了深度卷积神经网络CNN1,并达到了较好的效果,同时针对误判问题,提出了将全局和局部特征相结合的卷积神经网络结构LGCNN1,有效的提高了网络识别的准确率。在此基础上,引入了膨胀卷积,并构建了深度膨胀卷积神经网络DCNN1,并在耗时差别不大的情况下取得了比普通卷积神经网络更优的识别效果,同时也构建了将全局和局部特征相结合的膨胀卷积神经网络结构LGDCNN1,使字符的识别率达到了 99.995%。