矿用敞车是我国煤矿运输的主要货运单元。随着运输需求的不断扩张,运煤敞车装卸点的自动化、智能化需求与日俱增。现阶段,我国铁路敞车运输的信息录入工作大多由工人通过摄像机观察车厢信息后手动录入,易错且耗费了大量的人力。开发基于计算机视觉的敞车字符识别系统,从而提高矿运系统的自动化水平,对于提高生产效率具有重要的意义。本文针对矿用敞车的字符识别问题,使用基于深度学习的方法从字符图像中,提取其包含的文本信息。本研究主要从以下三个方面开展:(1)敞车字符检测是信息录入的前置阶段。本文采用连接文本提议网络模型对包含字符的区域进行检测,将在公共数据集上训练得到的模型进行迁移,并结合本文构建的敞车字符数据集重新训练,实验表明识别算法的F1分数达到了0.9107。(2)敞车字符识别是信息录入的后置阶段。由于敞车字符存在噪声干扰、模糊、缺损等问题,本文提出了一种基于生成对抗网络的识别模型Defect-Restore Generative Adversarial Networks(DR GAN)。该模型通过对编码空间进行限制,使得网络具有较好的抗噪能力。本文通过实验对比了CRNN、CRNN with Attention、Attention-based OCR和DR GAN四种算法,实验表明本文提出的算法在随机掩膜和噪音干扰的情况下的正确率明显超过其他三种模型,在未干扰的数据集上DR GAN的正确率达到了97.76%的准确率,亦超过其他三种算法。(3)敞车字符识别系统软件设计。本文为整个系统设计了软件界面,实现了用户登录、自动识别、结果保存等功能。该论文有图29幅,表10个,参考文献68篇。