Los CAPTCHAs de texto son medidas de seguridad cruciales implementadas en sitios web globales para disuadir intrusiones no autorizadas. La presencia de características antiataque incorporadas en los CAPTCHAs de texto limita la efectividad de su evaluación, a pesar de que el reconocimiento de CAPTCHAs es un método efectivo para evaluar su seguridad. Este estudio presenta una nueva técnica de aumento de color llamada Desplazamiento de Color Variacional (VCS) para mejorar la precisión de reconocimiento de diferentes redes. VCS genera un desplazamiento de color de cada imagen de entrada y luego vuelve a muestrear la imagen dentro de ese rango para generar una nueva imagen, ampliando así el número de muestras del conjunto de datos original para mejorar la efectividad del entrenamiento. A diferencia del Desplazamiento de Color Aleatorio (RCS), que trata los desplazamientos de color como hiperparámetros, VCS estima los desplazamientos de color reparametrizando los puntos muestreados de la distribución uniforme utilizando desplazamientos predichos según cada imagen, lo que hace que los desplazamientos de color sean aprendibles. Para equilibrar mejor la computación y el rendimiento, también proponemos dos variantes de VCS: Sim-VCS y Dilated-VCS. Además, para resolver el problema de sobreajuste causado por las perturbaciones en los CAPTCHAs de texto, proponemos un Auto-Encoder (AE) basado en Atención de Núcleo Separables Grande (AE-LSKA) para reemplazar el módulo de convolución con núcleos grandes en el reconocedor de CAPTCHAs de texto. Este nuevo módulo emplea un AE para comprimir la interferencia mientras expande el campo receptivo utilizando Atención de Núcleo Separables Grande (LSKA), reduciendo el impacto de la interferencia local en el entrenamiento del modelo y mejorando la percepción general de los caracteres. Los resultados experimentales muestran que la precisión de reconocimiento del modelo después de integrar el módulo AE-LSKA mejora en al menos 15 puntos porcentuales en los conjuntos de datos M-CAPTCHA y P-CAPTCHA. Además, los resultados experimentales demuestran que el aumento de color utilizando VCS es más efectivo para mejorar el reconocimiento, que tiene una mayor precisión en comparación con RCS y Desplazamiento de Color PCA (PCA-CS).