为了帮助像考古学家、历史学家、网络审查员这类人从文档中快速查找感兴趣的内容,使用深度学习等技术对文档（如手写历史文档）进行快速、实时、精确的关键字定位是相关人员所迫切需求的,其在历史文献查阅、视觉搜索、图像检索领域具有广泛的应用价值。然而由于手写历史文档图像数据集标注困难且费时费力,使得训练数据严重缺乏不足以满足深度学习模型训练的需求。此外,手写历史文档图像具有多样的写作风格、多变的视觉外观、不均衡的背景等挑战以及单词密集、词间笔画重叠的特殊性质,会严重影响深度学习算法的定位与匹配性能。因此,本文针对手写历史文档图像数据集规模过小、不同尺寸单词目标定位精确度低、多阶段方法处理过程复杂的问题进行研究。本文从提升模型的定位能力和匹配能力两个角度出发,提出了两种端到端单阶段的无分割QbS（Query-by-String）关键字定位研究路线,基于多任务学习机制,通过统一的网络结构同时完成单词定位与单词匹配任务,以期待能够达到较优的检索性能。本文的主要贡献和创新点概括如下:（1）提出了基于直接回归的无分割QbS关键字定位方法。该方法主要是从数据、网络结构和损失函数三方面共同出发来提升模型的定位能力和匹配能力。在数据方面,采用了 IPA（In-place augmentation）与 FPA（Full-page augmentation）两种数据增广方式来弥补训练数据严重缺乏的问题;在网络结构方面,使用了主流的残差网络作为主干网络并结合金字塔形式的网络结构来增强模型的特征提取能力,提出了多尺度特征融合策略来提升不同大小单词目标的预测能力;在损失函数方面,针对各个任务,采用了适应此场景的损失函数以及设计了加权损失函数同时应对文档图像单词密集、词间笔画重叠的挑战。最后,在三个公开数据集上分别进行了对比实验、消融实验和鲁棒性实验,实验结果验证了所提出方法的有效性以及各个模块选取策略的最优性。（2）提出了基于注意力机制的无分割QbS关键字定位方法。该方法主要是设计了空间注意力机制与尺度注意力机制,来引导模型聚焦于具有更多单词信息的区域。其中,空间注意力机制帮助模型处理具有多样写作风格、多变视觉外观的单词区域,进而提升网络对不同区域的判别能力;尺度注意力机制帮助模型处理具有多种尺寸的单词目标。最后,通过对比实验与消融实验验证了模型的优良检索性能。（3）开发了基于WEB平台与Windows客户端的关键字定位软件原型,以此来可视化展示关键字定位的检索结果并帮助人们直观理解关键字定位的具体任务。