当代社会对教育的重视一方面丰富了教学内容,另一方面也加重了教师的工作负担。在保证阅卷质量的前提下将教师从繁重的批阅、统计工作中解放出来被视为现有条件下减轻教师负担的有效手段。目前大规模的英语考试阅卷大多采用光学标记识别技术的机器阅卷,它采用机读卡的形式,再以光电式阅卷机配合。一方面,这种阅卷方式虽在处理选择题上效率较高,精度较高,但填空题仍需人力配合。另一方面,由于考试练习频率高,大量机读卡的消耗会带来高额的成本问题。因此,利用更低的成本开发出针对日常英语考试练习的阅卷系统具有重要的意义。近年来,深度学习因其迅速的发展使人们认识到它在模式识别领域的优势:模型无需手动选取特征。本文利用深度学习与图像处理相关理论设计出一款轻量级的英语阅卷系统,研究的主要内容和创新如下:（1）提出了一种基于小卷积核堆叠结构的单字符识别算法。该方法考虑到过深的卷积神经网络无法作用于小尺寸字符图片的识别,但浅层特征的语义特征并不丰富。首先,对Le Net-5网络进行微调,使网络更贴合阅卷系统中单字符图片的输入特点,然后,利用多个3×3卷积核堆叠替代原网络中的5×5大尺寸卷积核。实验表明,该方法不仅提升了识别精度,更使得模型获得更好的收敛效果。（2）提出了一种基于加强型卷积块注意力模块和复合卷积结构的脱机手写英文单词识别算法。该方法考虑到不同人的脱机手写风格存在严重差异,传统网络提取出的特征表示力不足。首先,利用通道注意力模块与空间注意力模块的并联方式加以输入特征图的重利用构建了加强型卷积块注意力模块,然后,在深层卷积层中以双通道卷积提取特征结构实现复合卷积结构,最后,将加强型卷积块注意力模块与复合卷积加入特征提取网络实现对手写英文单词的识别。实验表明,该方法与当前其他主流的脱机文本识别算法相比具有一定的优势。（3）设计了一款针对英语全国卷题型的阅卷系统。该系统主要包含图像处理模块、字符识别模块以及单词识别模块。首先,对输入图片进行边缘提取、透视变换获取到答题纸主体,接着,再次对答题纸主体进行边缘提取,定位出学号区域和答案填写区域,然后,按题型裁剪出供模型识别区域,加载单字符识别模型或单词识别模型对其进行端到端的识别,判断答案正误,最后,统计得分、高频错题并绘制错题直方图,方便后续的教学。