壹個OCR識別系統，其目的很簡單，只是要把影像作壹個轉換，使影像內的圖形繼續保存、有表格則表格內資料及影像內的文字，壹律變成計算機文字，使能達到影像資料的儲存量減少、識別出的文字可再使用及分析，當然也可節省因鍵盤輸入的人力與時間。
從影像到結果輸出，須經過影像輸入、影像前處理、文字特征抽取、比對識別、最後經人工校正將認錯的文字更正，將結果輸出。 欲經過OCR處理的標的物須透過光學儀器，如影像掃描儀、傳真機或任何攝影器材，將影像轉入計算機。科技的進步，掃描儀等的輸入裝置已制作的愈來愈精致，輕薄短小、品質也高，對OCR有相當大的幫助，掃描儀的分辨率使影像更清晰、掃除速度更增進OCR處理的效率。
影像預處理：影像預處理是OCR系統中，須解決問題最多的壹個模塊。影像須先將圖片、表格及文字區域分離出來，甚至可將文章的編排方向、文章的提綱及內容主體區分開，而文字的大小及文字的字體亦可如原始文件壹樣的判斷出來。
對待識別圖像進行如下預處理，可以降低特征提取算法的難度，並能提高識別的精度。 二值化：由於彩色圖像所含信息量過於巨大，在對圖像中印刷體字符進行識別處理前，需要對圖像進行二值化處理，使圖像只包含黑色的前景信息和白色的背景信息，提升識別處理的效率和精確度。 圖像降噪：由於待識別圖像的品質受限於輸入設備、環境、以及文檔的印刷質量，在對圖像中印刷體字符進行識別處理前，需要根據噪聲的特征對待識別圖像進行去噪處理，提升識別處理的精確度。 傾斜校正：由於掃描和拍攝過程涉及人工操作，輸入計算機的待識別圖像或多或少都會存在壹些傾斜，在對圖像中印刷體字符進行識別處理前，就需要進行圖像方向檢測，並校正圖像方向。
文字特征抽取：單以識別率而言，特征抽取可說是 OCR的核心，用什麽特征、怎麽抽取，直接影響識別的好壞，也所以在OCR研究初期，特征抽取的研究報告特別的多。而特征可說是識別的籌碼，簡易的區分可分為兩類：壹為統計的特征，如文字區域內的黑/白點數比，當文字區分成好幾個區域時，這壹個個區域黑/白點數比之聯合，就成了空間的壹個數值向量，在比對時，基本的數學理論就足以應付了。而另壹類特征為結構的特征，如文字影像細線化後，取得字的筆劃端點、交叉點之數量及位置，或以筆劃段為特征，配合特殊的比對方法，進行比對，市面上的線上手寫輸入軟件的識別方法多以此種結構的方法為主。
對比數據庫：當輸入文字算完特征後，不管是用統計或結構的特征，都須有壹比對數據庫或特征數據庫來進行比對，數據庫的內容應包含所有欲識別的字集文字，根據與輸入文字壹樣的特征抽取方法所得的特征群組。 這是可充分發揮數學運算理論的壹個模塊，根據不同的特征特性，選用不同的數學距離函數，較有名的比對方法有，歐式空間的比對方法、松弛比對法（Relaxation）、動態程序比對法（Dynamic Programming，DP），以及類神經網絡的數據庫建立及比對、HMM（Hidden Markov Model）…等著名的方法，為了使識別的結果更穩定，也有所謂的專家系統（Experts System）被提出，利用各種特征比對方法的相異互補性，使識別出的結果，其信心度特別的高。
字詞後處理：由於OCR的識別率並無法達到百分之百，或想加強比對的正確性及信心值，壹些除錯或甚至幫忙更正的功能，也成為OCR系統中必要的壹個模塊。字詞後處理就是壹例，利用比對後的識別文字與其可能的相似候選字群中，根據前後的識別文字找出最合乎邏輯的詞，做更正的功能。
字詞數據庫：為字詞後處理所建立的詞庫。 文獻資料的數字化錄入，壹般分為：
1．純圖像方式。
2．目錄文本、正文圖像方式。
3．全文本方式。
4．全文索引方式。文本方式和圖像方式的混合體。 書本級：中文，英文；簡體，繁體；
版式級：豎排，橫排；有無分欄；
行切分 字切分
識別：真正的OCR識別過程，圖像信息還原成文本信息
後處理：人工幹預，主要集中在前四個階段。 1．圖片的質量，壹般建議150dpi以上
2．顏色，壹般對彩色識別很差，黑白的圖片較高，因此建議ocr的為黑白tif格式
3．最重要的就是字體，如果是手寫識別率很低。
國內OCR識別簡體差錯率為萬分之三，如果要求更高的精度需要投入更大的人工幹預。繁體識別由於繁體字庫的不統壹性（民國時期的字庫和現在繁體字庫不統壹），導致識別困難，在人工幹預下，精度能達到90%以上（圖文清晰情況下）。