深度学习等现代化的计算机视觉技术对文物和金融货币研究有重要意义。近年来,基于计算机视觉技术的文物检测与自动化识别已成为研究热点,广受文物和计算机研究人员关注。目前钱币识别研究集中在现代流通的主流货币和古代钱币,缺乏有效的民国纸币自动识别方案。纸币序列号是民国纸币的唯一编号,利用编号可以检索纸币关联的批次、数量、相关文物和历史、文化信息。如何自动识别纸币序列号、检测相关图案是一个亟待解决的问题。利用计算机视觉研究民国纸币尚处于起步阶段,而传统纸币序列号识别算法难以适用于民国纸币。民国纸币序列号识别的困难主要有:纸币种类多样,不同纸币序列号的位数、样式和位姿可能存在差异;纸币背景复杂,部分纸币背景颜色、图案与序列号相似度高,难以统一处理;纸币流通、收藏时会出现破损、污迹、褶皱和残缺等情况,纸币图像质量低;纸币存量较小,收集困难,纸币图像样本小。针对上述问题,本文完整的探讨、研究民国纸币序列号识别技术。首先,提出基于深度学习目标检测的民国纸币序列号检测算法,解决小样本、低质量、多种类的序列号定位问题。其次,改进传统的字符投影分割算法,解决民国纸币序列号字符间投影部分存在粘连、部分存在残缺导致分割困难的问题。最后,提出单字符处理技术和卷积神经网络,解决传统识别算法精度不高、泛化能力弱,深度学习网络训练成本大、推理软硬件资源要求高的问题。实验结果表明,本文的识别模型可以较好的完成民国纸币序列号和非文字图案的检测任务。检测阶段,准确率为100%;分割阶段,准确率为98.5%;单字符识别阶段,准确率高于99.9%;最终,整体识别准确率为97.5%。同时,将相关技术拓展到非文字图案的检测也获得较好的检测结果。