古籍作为中华文化的重要载体,历史手写古籍文本图像的数字化对于保护文化遗产很重要。而且,从数字化获得的古籍文本图像的转录对于提供对这些古籍文本内容的有效信息访问是必要的。这些古籍文本的自动转录由手写文本识别（Handwritten Text Recognition,HTR）系统执行,该系统通常由光学模型,字典和语言模型（Language Model,LM）组成。目前HTR已成为模式识别和计算语言处理领域的重要研究课题,但在图像和语言建模问题上,HTR系统仍然面临着一些挑战:（1）手写古籍文本书写随意性大,风格迥异,缺乏规范性,导致系统必须应对图像噪声和手写笔划变化;（2）相较于印刷体汉字,手写古籍文本中存在大量的手绘图案,难以辨识;（3）由于历史文献的维护年限较长,历史文档图像可能包含人工操作和墨水渗出而引起的缺陷。因此,在古籍文本图像检测问题上构建一个鲁棒的HTR系统具有现实意义。随着计算机运算能力的提升,深度学习渐渐被重新引入到实际应用领域。近年来,基于深度学习的文本检测在方法和性能上得到了突破性的进展,如今借助计算机视觉技术完成手写体古籍文档的数字化成为了可能。具体而言,本文的主要工作及创新点如下:（1）构建了一个手写体古籍数据集。其中,包含600张彝族经书,500张中文经书,300张西夏文经书和200张藏族经书。按照ICDAR2015数据集标注标准,完成字符级别的位置信息标注。针对手写体古籍文献背景复杂、版面杂乱等特点,提出了手写体古籍数据扩充方法,对图片进行缩放、旋转和色域变化。每次任意选择4张图片进行组合,最终构建出含有四种语言、图片数量为8000张的手写体古籍数据集（Handwritten Ancient-Books Dataset,HWAD）,为后续的手写体古籍数字化研究奠定了数据基础。（2）提出了一种新的手写体古籍字符检测模型。考虑到手写体古籍中的字符相对于自然场景中的文本而言,存在字符过于密集、检测目标过小等问题。本文深入分析FCOS（Fully Convolutional One-Stage）的优缺点,在主干网络（backbone）中将每一层都与前面所有层进行通道级别的连接。本文针对字符目标过小问题,改进了原有特征融合方法;针对文本类别不一导致字符大小复杂多变问题,引入DCN（Deformable Convolution）改进特征提取方式;针对文本长宽比不一问题,使用CIOU改进文本框回归损失函数,本文将这种新的字符检测模型命名为DFCOS（Dense Fully Convolutional One-Stage）。该模型不仅能满足检测的实时性,还能提升字符的检测精度。在手写体古籍数据集上的实验结果表明,本文提出的模型优于现有的文本检测模型。（3）优化后处理算法。基于手写文字的随意性,某些单个文字容易被预测成多个文字,同时较长较宽的文字也可能不能完全被文本框框住,从而形成过切分和欠切分的现象。本文提出的后处理方法考虑了上述两种情形,使用SoftNMS（Soft Non-maximum suppression）算法进行后处理。经试验表明,该方法有效的解决了过切分和欠切分的问题。针对以上创新点,本文设计并实现了手写体古籍文本检测系统,将训练的文本检测模型进行封装。后端采用Django框架,前端采用Html、CSS和Java Script。通过实验反复迭代,验证了DFCOS模型的鲁棒性和准确性。