一种基于跨页语义状态传递的PDF文档智能切分方法及系统

本申请提供了一种基于跨页语义状态传递的PDF文档智能切分方法及系统。方法包括：获取待处理PDF文件并转换为按页排序的页面图像，对页面图像预处理得到标准化页面图像和页面元信息；将标准化页面图像输入视觉语言模型，结合OCR识别文本与版式结构信息，生成页面多模态表示、页面摘要和关键实体；基于第一页初始化当前文档簇及跨页语义状态；针对待判定页面计算其与当前文档簇的连续性评分，并据此执行并入、新文档起始或灰区页复核；对异常页执行桥接归属判断，结合初始边界信息和修正边界信息进行全局边界优化，得到最终文档边界序列并输出目标文档段。本申请能够提高复杂PDF文档边界识别和智能切分的准确性。