阅读始于字形这样的视觉信息的分析，并且在通达语义的过程中语音信息自动激活，尽管激活的时间进程在中文和拼音文字的阅读中是不同的（Perfetti，Liu，& Tan，2005；Perfetti，Zhang，& Berent，1992）。而导致中文和拼音文字阅读的不同主要是来自不同语言在这两方面的差异：①字形的视觉特征；②形音对应规则，即字形与语音的对应。

在字形方面，中文与大部分拼音文字的主要差异在于汉字是由多个部件组成的方形结构，并且这些部件存在一定的空间关系，如从上到下、从左到由、由外到内、由内到外等。即使组成的部件完全一样，通过不同的空间组合也可以组成不同的汉字。例如，“口”与“木”，可以组成语音和语义完全无关的汉字：“呆”“杏”“困”（“口”与“木”本身也是独体字）。一些汉字甚至由更多部件通过更加复杂的空间组合而得到，例如，“冀”由“北”“田”“共”三个部件从上到下组合而成。同时，组成汉字的每个部件本身是由不同笔画，通过一定的组合而形成的。因此，在汉字阅读中，除了识别具体笔画和部件，还需识别部件之间的空间关系。这种对整体空间结构的加工过程与面孔识别中对脸部各个组成部分（鼻子、眼睛、嘴巴等）的整体加工（Young，Hellawell，& Hay，1987）是相似的。这种表征组成汉字的多个部件之间的空间关系的信息，与表征部件本身的信息是不同的。后者主要由高频视觉信息表征，而前者主要由低频视觉信息表征。每种语言中的任何一个字或词都包含一定频率范围的视觉信息，但汉字由于具有非线性的空间结构的特征而含有更多低频信息。在汉字中，低频信息对区别像“呆”与“杏”这样的汉字具有重要的意义，而高频信息对区别像“午”与“牛”这样在具体笔画上的差异尤其重要。在英语中，“bat”和“bit”也主要在表征字母特征的高频信息上存在差异。因此，与英文相比，长期的汉字阅读经验会塑造字形加工的脑网络，从而使得低频视觉信息的加工更为有效。

中文与拼音文字的另一个主要差别在于形音对应。在拼音文字中，组成单词的各个字母往往对应着各个音素（“bit”中的“b”对应/b/），即在音素水平上存在对应关系，而组成汉字的各个部件并不对应组成该汉字发音的任何音素，而是每个汉字对应该汉字的整字发音（“马”与/mǎ/），即在音节水平上存在对应关系。尽管在很多复合字中，声旁会提供关于汉字发音的线索，如“妈”中的“马”，但在这里声旁并不对应整个音节的声母（“m”）或者韵母（“a”），因此与拼音文字中形音在音素水平上的对应是不一样的。由此可见，汉语中形音对应是在一个比较大的单元（汉字与音节）上，而拼音文字则是在比较小的单元（字母与音素）上。这种特征使得在不同文字的阅读中，语音激活的时间进程不一样。在拼音文字中，由于每个字母对应组成整词发音的音素，因此对每个字母（“b”）进行视觉字形分析的同时，其对应的音素（/b/）也得到激活，而在汉语中，汉字的语音信息需要等字形分析进行到一定程度后才得以激活。前者被称为瀑布式的加工（cascade-style processing），即语音激活可在字形加工开始的同时就逐渐展开，而后者被称为阈限式的加工（threshold-style processing），即语音的激活需要以字形分析进行到一定程度为前提（Perfetti et al.，1992）。尽管在拼音文字中，相对芬兰语等语言，英语属于形音对应不规则或者不透明的语言，然而汉语中存在大量同音字的特征使得汉语中形音对应规则远比英语更加模糊。例如，当不考虑声调的差异时，“shi”有69个同音字（“是”“时”“事”“式”“市”“使”等），而这些同音字的写法和意思非常不一样。基于汉字的这些特点，具有成熟的字形表征对区分不同的汉字显得尤其重要。