OCR神经网络模型的结构可以分为多个层次。一般来说，OCR神经网络模型可以分为特征提取层、卷积层、池化层、全连接层和输出层。

特征提取层：该层用于提取输入文本图像的特征，包括边缘、角点、纹理等特征。通常使用卷积神经网络（CNN）来实现该层。

卷积层：该层用于对输入特征进行卷积操作，以提取出更高级别的特征。卷积神经网络中的每个卷积层都由多个卷积核组成，每个卷积核都可以学习到不同的特征。

池化层：该层用于对卷积层的输出进行池化操作，以减少输出特征的维度，同时保留重要特征。池化操作可以是最大池化、平均池化等。

全连接层：该层用于将前面各层的输出特征进行整合，以得到最终的分类结果。在全连接层中，每个神经元都与前一层的所有神经元相连，并接收它们的输出作为输入。

输出层：该层用于输出最终的分类结果。通常使用softmax函数来实现分类器的输出，以得到每个类别的概率值。

OCR神经网络模型可以采用多种不同的架构，如基于CNN的架构、基于RNN的架构和基于CRNN的架构等。基于CRNN的架构结合了CNN和RNN的优点，具有更好的性能和更广泛的应用。在基于CRNN的架构中，卷积层用于提取图像特征，循环层用于预测每个帧的标签分布，转录层用于将循环层的预测结果转化为最终的标签序列。