标志着手写识别领域一个重要里程碑的是循环神经网络的出现，尽管在不同书写风格之间存在巨大差异，这些网络仍实现了令人印象深刻的识别准确率。序列化架构非常适合建模文本行，不仅因为文本本身具有固有的时间特性，还因为它们能够学习字符和词语序列上的概率分布。然而，使用此类循环范式在训练阶段会带来代价，因为其顺序处理流程阻碍了并行化。在本研究中，我们提出了一种非循环方法，通过使用Transformer模型来识别手写文本。我们提出了一种新颖的方法，完全避免了循环结构。通过在视觉阶段和文本阶段均采用多头自注意力（multi-head self-attention）层，我们能够同时处理字符识别任务，并学习待解码字符序列中的语言相关依赖关系。我们的模型不受任何预定义词汇表的限制，能够识别训练词汇表之外的词汇，即“未登录词”（out-of-vocabulary words）。与先前方法相比，我们取得了显著进展，并证明即使在少样本学习（few-shot learning）场景下，也能获得令人满意的识别准确率。