卷积循环神经网络 (CRNN)

卷积循环神经网络（Convolutional Recurrent Neural Network, CRNN）并非单一算法，而是由卷积神经网络（CNN）、循环神经网络（RNN）及连接词转录（CTC）解码器构成的经典三段式混合架构。其设计初衷为了解决传统OCR流程中繁琐的预处理、字符分割与后处理问题。该模型利用CNN强大的局部特征提取能力处理图像像素，通过RNN（或LSTM/GRU）捕捉字符间的时序依赖关系，最终借助CTC将连续的概率序列映射为离散的字符标签。作为深度学习在计算机视觉与序列处理交叉领域的里程碑，CRNN推动了OCR技术从规则匹配向端到端深度学习的范式转变，支持多语言、手写体及复杂场景下的文本识别。

在现代计算架构中，CRNN扮演着连接静态图像感知与动态序列理解的桥梁角色。它成功地将CNN的平移不变性与RNN的长序列建模能力有机结合，成为OCR领域的标准基线模型。尽管近年来Transformer架构的兴起对CRNN构成挑战，但CRNN凭借其架构简洁、训练稳定、显存占用低以及对长序列建模的成熟经验，在移动端部署、实时流式文本识别及特定工业场景（如票据、车牌识别）中依然占据重要生态位。其核心价值在于提供了一种高效、鲁棒的端到端文本识别解决方案，极大地降低了OCR系统的开发门槛与工程复杂度。