网络验证码作为网络安全保护的一种有效手段,已经得到了广泛的应用。验证码的识别研究,不仅可以从验证码反识别的角度设计更加安全易用的验证码,还可以及时发现验证码的安全漏洞,从而提高网络服务器的工作效率以及用户上网的安全性。近年来深度学习技术在各个研究领域都有了广泛的应用,然而专注于深度学习,尤其是卷积神经网络在不同验证码识别上的应用与研究稍显匮乏,因此本文针对互联网中常见的数字、字母和汉字组成的验证码,将卷积神经网络应用在验证码图片的识别中。对于由数字和字母组成的验证码图片,分析了基于卷积神经网络的目标检测算法SSD网络应用在上述验证码图片的识别上可行性,指出SSD网络在连续堆叠卷积层的过程中会降低网络的全局信息的提取能力,基于此将non-local设计思想引入到SSD网络中,具体在SSD网络的五个连续的卷积模块中添加non-local模块,并以此提出本文设计的NL_SSD网络结构,分析讨论了训练过程中的水平翻转数据增强和检测过中检测阈值的设置对识别结果的影响并进行优化。实验结果表明本文提出的NL_SSD网络对于数字、字母组成的验证码图片上的识别精度高于SSD网络的识别精度,并接近成熟的商用验证码识别平台的识别精度,实验结果也同时表明本文对NL_SSD网络训练过程和模型使用过程的优化策略是有效的。对于由常见汉字组成的验证码图片,将汉字验证码的识别流程分为字符分割和字符识别两部分。分析了第三章NL_SSD网络不能直接应用在汉字验证码识别的原因,并详细描述了基于NL_SSD网络在汉字验证码字符分割阶段的使用情况,分析了在字符识别阶段现有分类网络及对应模块在本文汉字验证码识别上存在的问题,给出本文针对汉字验证码识别的核心模块的设计,即两条并行的卷积支路进行特征图通道合并,并将模块残差化,将核心模块与卷积层、池化层和全连接层堆叠组成分类网络CHNet网络,实验结果表明本文设计的模块组成的分类网络在保持较高识别准确率的同时,较大幅度地加快了网络收敛速度、降低了网络复杂度。