文本验证码,是目前使用最为广泛的验证码机制,有效防止了计算机程序对网站的恶意行为,在一定程度上保障了网络系统的安全与稳定。针对文本验证码的识别研究在机器人流程自动化（Robotic Process Automation,RPA）等项目中具有较高的应用价值,也可以促进网站设计更安全的验证码以保障网络安全。为了增加破解难度,文本验证码的设计方式经历了由简单到复杂的转变,字符、背景、类型的复杂化以及文本的不定长设计使得传统的光学字符识别技术不能满足通用识别需求。随着基于深度学习的场景文字识别技术和图像分类技术的发展,其算法简化了预处理和特征提取步骤,可以很好地解决上述问题,具有很强的应用于复杂文本验证码识别场景的潜力。本论文的创新点是将基于深度学习的图像分类技术与场景文字识别技术结合,应用于复杂文本验证码场景,研究并实现了复杂文本验证码自动识别算法,为文本验证码识别技术提供新思路。本论文总结了四类复杂文本验证码,分别为成语类、汉字数字算式类、数字算式类以及英文数字类,并制作了分类和识别数据集展开研究,主要的工作包括三部分:（1）基于残差网络（Residual Network,Res Net）研究搭建了Res Net分类模型进行复杂文本验证码分类任务,实现了高达98.42%的准确率。该网络通过残差结构避免了梯度消失等问题,并通过快捷连接路径实现了特征的充分利用,同时通过合理的网络结构设置控制了计算量,使得分类任务高效且精准。（2）基于场景文字识别经典算法卷积循环神经网络对于不定长文本识别的优势,将Res Net网络、视觉注意力机制与之结合,提出了注意力残差卷积循环神经网络（Attention Residual Recurrent Neural Network,AR-RNN）用于复杂文本验证码识别任务,对于四类复杂文本验证码分别达到了93.68%、97.21%、94.43%、98.03%的识别精度。（3）将Res Net分类模型与AR-RNN识别模型结合并加入数学计算步骤,成功实现了复杂文本验证码自动识别算法,在识别成功率和推理时间上均达到了很好的效果。将其应用到RPA项目实践中,设计并实现了验证码识别子系统,证明了本文研究工作的实用价值。本论文提出的复杂文本验证码自动识别算法,具有较高的识别准确率和高效的网络结构,为其日后应用于更多需要破解验证码的领域提供了更高的可能性。