Исследование посвящено задаче распознавания рукописного текста на русском языке на основе моделей глубокого обучения. В работе применена модель глубокой нейронной сети на основе совмещения сверточной нейронной сети и двунаправленных модулей GRU. В результате применения данной архитектуры достигнуты значения коэффициент ошибок символов 0,1 (CER) и коэффициент ошибок слов 0,37 (WER) для валидационного набора данных. Разработанная модель с совместным использованием сверточных слоев и модулей рекуррентных блоков Bi-GRU позволяет решать задачу оптического распознавания рукописных текстов на русском языке с точностью, сравнимой с аналогичными значениями, полученными с использованием модели на основе трансформеров и сверточных энкодеров.