大规模数据的获取是大数据与人工智能研究的基础,其中文本类数据主要来自规整好的文本资源和包含丰富文本信息的图像文件。图像文件中大量可用文本信息的提取是数据获取的前提。当前针对图像文件的文本信息提取大多是基于OCR技术实现的,然而OCR是一种基于图象识别的技术,在图像文件转换过程中往往存在识别错误,为了提高图像文件转换后的文本可用性,避免繁琐的人工校正,本文提出了一种针对OCR识别的领域文本纠错方法,并从以下几个方面进行了研究:(1)提出了一种针对OCR转换文本进行纠错的方法。通过对TF-IDF算法进行改进,结合余弦相似度计算设计了一种对多候选字列表进行权重生成并排序的筛选算法,结合本文设计的错误规则推理模型和特征交叉算法,设计了一种针对OCR转换文本进行错误判断及纠正的方法,并在实际应用场景中进行了推理和验证。(2)探索了汉字构造属性在OCR转换文本纠错中的启发作用。本文设计构建了一个关于汉字构造属性的汉字知识图谱,利用汉字知识图谱辅助知识推理模型对汉字与汉字之间在OCR转换时的错误规则进行预测,有效的提高了模型的推理能力。(3)设计了一种根据数据类型进行差异化编码的知识推理模型。通过多种深度学习模型对知识图谱中不同数据类型实体进行针对性处理,使特征矩阵的语义程度更加丰富,对经过差异化编码处理的不同数据特征矩阵进行矩阵拼接,利用ConvE图卷积模型对特征矩阵进行卷积学习。本文在收集的OCR转换错误规则数据集和Movielens公开数据集上进行了实验评估,实验表明,针对当前主流的知识推理模型,本文提出的知识推理模型在MRR、Hist@1、Hist@2等指标上取得了重要的提升。(4)引入了一种对三元组特征矩阵进行特征强化的算法。通过将关系矩阵与头尾实体矩阵进行特征交叉,得到更具代表性的头尾实体矩阵作为卷积预测网络的输入。通过将该算法集成到错误规则推理模型中,有效的提升了模型在数据集上的实验指标。为了验证针对OCR转换文本纠错方法的有效性,本文设计实现了一个OCR文本纠错系统对其进行了实际使用场景下的验证。