OCR文字识别的深度学习模型主要有以下几种：
1.卷积神经网络（CNN）
CNN是OCR领域中应用最广泛的深度学习模型之一。它的输入通常是图片，经过卷积、池化等步骤进行特征提取，然后通过全连接层输出最终的识别结果。其中，卷积层可以有效地捕捉图片的局部特征，池化层则可以对卷积层输出的特征进行压缩，提高计算效率。CNN在OCR领域中的应用比较广泛，如基于门控卷积神经网络（Gated Convolutional Neural Network，GCNN）实现的OCR识别模型CRNN（Convolutional Recurrent Neural Network）。
2.循环神经网络（RNN）
RNN主要用于处理序列型数据，如文本、语音等。它通过循环神经元的状态信息，保留之前的输入信息，并为后续识别提供上下文信息。RNN模型基于模型内部的状态信息，能够有效地捕捉语言和文本中的长期依赖关系，避免了传统方法中对字符或单词的切割，从而可以更好地应对OCR领域的应用场景。如LSTM（Long Short-Term Memory）和GRU（Gated Recurrent Unit）等。
3.注意力机制网络（Attention Mechanism）
注意力机制是一种用于将输入序列的各个位置关联起来的机制，这种机制可以让网络重点关注序列中重要的部分，从而提高识别精度。注意力机制在OCR领域的发展较为迅速，已被广泛应用于各种OCR识别场景，如：基于Attention的OCR识别模型ASTER（Attention Score for Transcription and Error Reduction）。
下面是两个深度学习OCR模型的示例：
示例一：CRNN
CRNN模型使用卷积神经网络和循环神经网络结合的方式，实现端到端的文本识别。首先，将输入图片传入CNN网络进行卷积和池化操作，提取图片特征。之后，使用RNN网络进行序列化处理，通过将CNN提取的特征序列输入到RNN网络中，以此获得识别结果。
示例二：ASTER
ASTER模型使用卷积神经网络和基于注意力的循环神经网络，实现了端到端的文本识别。它基于一组可分离的编码器-解码器单元，来处理两个分离的任务，分别是字符识别和单词识别。文本识别流程分为三个阶段：在编码器阶段，网络将输入的图片样本映射到高维语义空间中；在解码器阶段，网络对输入执行序列建模任务；最后，使用注意力机制来对整个编码器输出进行聚合，得到最终的文本输出。