使用的是最新的3.01版本的。训练所需准备：
1.下载并安装3.01版本的tesseract。事实上并不需要安装这步骤，我
下载的是压缩包版，解压即可，这里我解压到E:\Tesseract-ocr目录。
2.下载并安装jTessBoxEditor工具，这是一个Box file editors，用来编辑训练文件的，直接下载地址在这里。这个软件是用java写的，运行需要安装jre，好在这个东西比.net好装多了，怎么运行可以见它的readme文件。
3.当然也可以用cowboxer1.01.exe这个工具，他也是Box file编辑工具，在实际应用中，最好将这两个工具结合。
4.接下来要训练一个新的语言（自定义语言或者某种自然语言都可以）对应的traineddata文件，需要产生下列过程文件：
■cnlp.config
■cnlp.unicharset
■cnlp.unicharambigs
■
cnlp.inttemp
■
cnlp.pffmtable
■
cnlp.normproto
■cnlp.punc-dawg
■cnlp.word-dawg
■cnlp.number-dawg
■cnlp.freq-dawg
在这八个文件中，红色标示的是必须的，其他的文件可选。当这些文件都准备好之后，再使用combine_tessdata进行最后的合并工作，生成cnlp.traineddata，这个文件就是最终训练出来语言库。
下面再来说一下如何产生上述的文件：
1、获取一个训练图片（*.tif）
这里采用铁道部购票系统中的验证码 [点击图片可在新窗口打开] ，将这个验证码下载后，用上文提到的jTessBoxEditor工具将其转换为tif文件，或者直接重命名也可以。名称为cnlp.lpft.exp0.tif，命名规则可以参照官网说明：
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox。
2、产生相应的Box文件（*.box）
命令：tesseract.exe cnlp.lpft.exp0.tif cnlp.lpft.exp0 batch.nochop makebox
这一步产生对应的cnlp.lpft.exp0.box文件。该文件记录了tesseract识别出来的每一个字和其位置坐标。使用jTessBoxEditor编辑该Box文件，校正识别出来的字符，如果单个字符识别成了两个或者多个字符，则要将这些行进行合并。前两项坐标取最小值，后两项坐标取最大值。
备注：这时候要注意的是编辑box要和tif文件同在一个目录下,然后逐个校正文字，后保存。
如果使用cowboxer1.01，他会自动找到与之相对于的box文件。
3、产生字符特征文件（*.tr）
命令：tesseract cnlp.lpft.exp0.tif cnlp.lpft.exp0 nobatch box.train
这一步产生两个文件：
(1)cnlp.lpft.exp0.txt；
(2)cnlp.lpft.exp0.tr为特征文件。
可能会产生tesseract.log主要是记录该步骤执行结果的日志没啥用；
4、计算字符集（unicharset）
命令：unicharset_extractor cnlp.lpft.exp0.box
这一步产生字符集文件unicharset。
5、聚集字符特征（inttemp、pffmtable、normproto）
命令：mftraining -F font_properties -U unicharset cnlp.lpft.exp0.tr
这一步中的font_properties这个文件需要自己手动创建，文件内容
<fontname><italic><bold><fixed><serif><fraktur>。
where<fontname>is a string naming the font (no spaces allowed!), and<italic>, <bold>, <fixed>, <serif> and <fraktur>are all simple 0 or 1 flags indicating whether the font has the named property.
官网有详细说明，大致意思就是你设置的字体。
这是我的font_properties内容：lpft 0 0 1 0 0。
根据上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件mfunicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符特征数文件pffmtable。附带还会产生Microfeat文件，但是这个文件没啥用。
接下来使用命令cntraining.exe cnlp.lpft.exp0.tr，这一步产生字符形状正常化特征文件normproto。
到这里基本上所需的文件都形成了，下面就开始生成字典文件。
6、合并训练文件（*.traineddata）
此时，在目录下应该生成若干个文件了，把unicharset, inttemp, normproto, pffmtable这四个文件加上前缀“cnlp.“。然后使用命令：combine_tessdata cnlp.
将其合并成一个字典文件。这时会生成如下结果：
必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。
此时目录下“cnlp.traineddata”的文件拷贝到tesseract程序目录下的“tessdata”目录。
以后就可以使用该该字典来识别了。
7、测试
-----------------------------------------------
另一篇文章
-----------------------------------------------
前提条件：
tesseract-ocr3.00正常安装
训练步骤：
1.将要加入字典的图片转化为.tif格式的图片，文件的命名规则为[lang].[fontname].exp[num].tif, 例如：eng.oms261.g4.tif，注意此处[fontname]命名不能相同。 再根据.tif格式图片生成.box文件，命令：
tesseract eng.oms261.g4.tif eng.oms261.g4 batch.nochop makebox
2.纠正.box文件中的错误，这里可以使用工具，有不同的工具，根据环境不同选择，Linux下推荐使用 moshPyTT(下载地址，http://code.google.com/p/moshpytt/)
3.根据生成的.box文件生成.tr文件。 命令：
tesseract eng.oms261.g4.tif eng.oms261.g4 nobatch box.train
4.生成unicharset文件。 命令：
unicharset_extractor eng.oms261.g4.box ...
注意：从5～9步骤必须在windows环境下进行，Linux下不支持，这是Tesseract-3.00的BUG.
5.生成 pffmtable, inttemp文件. 命令：
mftraining -U unicharset -O lang.unicharset eng.oms261.g4.tr ...
6.生成 normproto文件。 命令 ：
cntraining eng.oms261.g4.tr ...
7.将pffmtable，inttemp，normproto文件加前缀，手动改名为: eng.pffmtable，eng.inttemp，eng.normproto, 前缀名与前面的命名保持一致。
8.字典文件和模糊校正文件可以提高OCR的识别率，我们可以获得官方的eng.traindata的此文件， 命令：
combine_tessdata -u tessdata/eng.traineddata path/eng.
此时语言包的所有文件都解压了，挑出我们需要的
eng.unicharambigs
eng.punc-dawg
eng.word-dawg
eng.number-dawg
eng.freq-dawg
这些文件放到我们训练字典的那个路径.
9.合并训练文件，命令：
combine_tessdata eng.
得到我们最终训练的文件
