| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-12页 |
| 1 绪论 | 第12-26页 |
| 1．1 引言 | 第12-13页 |
| 1．2 文档信息自动处理 | 第13-17页 |
| 1．2．1 文档处理系统的组成 | 第13-15页 |
| 1．2．2 文档处理的应用 | 第15-17页 |
| 1．3 文档处理的研究现状 | 第17-19页 |
| 1．4 版面理解的研究内容及研究现状 | 第19-22页 |
| 1．4．1 表格文档的版面理解 | 第19-22页 |
| 1．5 研究目标及论文内容安排 | 第22-26页 |
| 1．5．1 研究目标 | 第22-23页 |
| 1．5．2 论文内容 | 第23-26页 |
| 2 基于内容的文档图像倾斜校正 | 第26-50页 |
| 2．1 引言 | 第26-27页 |
| 2．2 文档图像倾斜校正原理 | 第27-28页 |
| 2．2．1 文档版面的结构特点 | 第27-28页 |
| 2．2．2 倾斜校正的基本原理 | 第28页 |
| 2．3 常用的倾斜估计方法 | 第28-31页 |
| 2．3．1 Hough变换 | 第29-30页 |
| 2．3．2 投影法 | 第30页 |
| 2．3．3 近邻法 | 第30-31页 |
| 2．4 基于内容的文档图像倾斜估计（Content Based Document Image Skew Evaluate） | 第31-48页 |
| 2．4．1 基于小波变换的文档水平线和垂直线检测 | 第32-38页 |
| 2．4．2 基于游长平滑（Run-Length Smoothing）的图像处理 | 第38页 |
| 2．4．3 文档图像倾斜校正 | 第38-43页 |
| 2．4．4 文档图像的倾斜估计 | 第43-48页 |
| 2．5 实验 | 第48-49页 |
| 2．6 小结 | 第49-50页 |
| 3 表格文档图像的版面理解 | 第50-76页 |
| 3．1 引言 | 第50-51页 |
| 3．2 表格处理系统的组成 | 第51-53页 |
| 3．2．1 表格的版面结构 | 第51页 |
| 3．2．2 表格处理系统 | 第51-53页 |
| 3．3 表格的定位 | 第53-58页 |
| 3．3．1 表格定位的要求 | 第54-55页 |
| 3．3．2 常用表格定位方法简介 | 第55-58页 |
| 3．4 基于最佳坐标系的表格版面分析方法 | 第58-63页 |
| 3．5 表格学习 | 第63-71页 |
| 3．5．1 人机交互的表格学习方法 | 第64-65页 |
| 3．5．2 基于识别的表格学习方法 | 第65-66页 |
| 3．5．3 定位标记的获取 | 第66-67页 |
| 3．5．4 表格版面的几何结构学习 | 第67-71页 |
| 3．6 表格自动处理 | 第71-73页 |
| 3．6．1 表格的定位信息匹配 | 第71-72页 |
| 3．6．2 基于最佳坐标系的填写信息获取 | 第72-73页 |
| 3．7 实验 | 第73-74页 |
| 3．8 小结 | 第74-76页 |
| 4 基于小波包纹理特征的字体识别方法 | 第76-98页 |
| 4．1 引言 | 第76-77页 |
| 4．2 字体识别方案 | 第77-82页 |
| 4．2．1 字体特征提取 | 第77-78页 |
| 4．2．2 字体识别 | 第78-82页 |
| 4．3 基于小波包变换的字体特征提取和特征选择 | 第82-91页 |
| 4．3．1 小波变换的高频低分辨现象 | 第83-85页 |
| 4．3．2 小波包分析 | 第85-88页 |
| 4．3．3 字体特征提取 | 第88-89页 |
| 4．3．4 特征选择 | 第89-91页 |
| 4．4 基于神经网络和学习子空间综合集成的字体识别 | 第91-95页 |
| 4．4．1 BP神经网络识别方法 | 第91-93页 |
| 4．4．2 学习子空间识别方法 | 第93-95页 |
| 4．5 字体识别实验 | 第95-96页 |
| 4．6 小结 | 第96-98页 |
| 5 基于支持向量机的手写体与印刷体识别 | 第98-114页 |
| 5．1 引言 | 第98-99页 |
| 5．2 手写体与印刷体识别方案 | 第99-101页 |
| 5．2．1 特征提取 | 第99-100页 |
| 5．2．2 手写体与印刷体识别 | 第100-101页 |
| 5．3 聚类识别方法 | 第101-102页 |
| 5．4 基于聚类算法与支持向量机相结合的识别方法 | 第102-110页 |
| 5．4．1 学习问题研究的发展背景 | 第102-103页 |
| 5．4．2 经验风险最小化 | 第103-104页 |
| 5．4．3 机器学习的推广能力 | 第104-105页 |
| 5．4．4 统计学习理论 | 第105-107页 |
| 5．4．5 支持向量机 | 第107-110页 |
| 5．5 实验 | 第110-112页 |
| 5．6 小结 | 第112-114页 |
| 6 本文工作总结与今后工作展望 | 第114-116页 |
| 致谢 | 第116-118页 |
| 参考文献 | 第118-126页 |
| 作者在攻读博士学位期间发表的论文目录 | 第126-127页 |
