如果把文字识别比作一条工厂生产线，传统 OCR 就像老师傅的手工工坊：锉刀、卡尺、放大镜，每一步都靠经验；深度学习 OCR 则像全自动化车间，机械臂、传感器、自适应轨道，一气呵成。下面用 3 分钟时间，带你拆解这条产线的每个齿轮。
传统工坊：五把刻刀图像预处理
先把原始照片“洗剪吹”：灰度、二值、去噪、拉正。这一步决定了后面所有环节的原料质量——照片歪了，字符也会跟着跳舞。
版面分析
用连通域或投影法，像裁布一样把整页切成文字块、表格、图片。阈值多少、切多宽，全靠老师傅多年手感。遇到弯曲文本或密集表格，往往一刀切不准。
手工特征
HOG、LBP、轮廓、投影直方图……这些名字听着像化学元素表，其实是工程师给字符画的“素描”。它们只在训练阶段出现一次，之后就被固化为分类器的“模板”。
分类器识别
SVM、KNN、MLP 轮流上岗，逐字比对模板。模板覆盖不到的生僻字、花体字，只能靠词典猜，猜错就“*”号伺候。
后处理修修补补
语言模型像语文老师，用词典和正则补丁把错别字圈出来。遇到“0 与 O”“1 与 l”，还得人工再查一遍。
深度学习车间：三大机械臂文字检测子网络
CNN/FCN/Transformer 一眼扫过去，直接框出所有文字区域，弯曲文本也能贴着边缘画框；再不用人工去调连通域阈值。
文字识别子网络
特征臂：CNN 或 ViT 把图像切成高维特征图。
序列臂：BiLSTM 或 Transformer 捕获字符间的上下文，连笔草书也能读顺。
解码臂：CTC 或 Attention 把特征流翻译成字符串，整个过程一气呵成。
端到端大模型
一张图喂进去，坐标+文字一次性端出来。检测、矫正、识别共享一次主干特征，计算量不随文字块数量爆炸，反而更省算力。表格区域也不再被粗暴丢弃，而是用结构恢复网络直接生成行列逻辑，单元格里的内容同时完成 OCR。
工坊与车间的对决速度与精度
老师傅能做 100 页；车间一小时跑 10 000 页，生僻字、手写体、低分辨率统统不降准度。
扩展性
新字体来了，传统线要重新刻模板；深度学习只需再喂一批数据，模型自己长出新“肌肉”。
复杂页面
传统线看到图片就画叉；端到端模型在同一幅特征图里，文字、表格、图片并行处理，互不干扰。
传统OCR像老匠人，一刀一刀刻；深度学习像机器人，一眼看完、一笔写全。