场景文本识别（Scene Text Recognition,STR）是指识别自然场景图像中的文本。印刷文本大多经过排版,其背景单一、清晰度高。相较于印刷文本,识别各类场景中的文字,其难度更具挑战。目前,场景文本识别研究存在以下问题:第一,使用较为广泛的编-解码器结构的识别模型,大多以LSTM（Long Short-Term Memory）作为解码器。由于LSTM是多个重复模块串联组成的链式结构,只有前序模块计算完成后,后续模块才能开始计算,即LSTM的计算过程是串行的。因此会导致其作为解码器时,存在收敛速度慢、训练时间长等问题。第二,自然场景中的文本具有背景复杂、字体样式多样、成像质量差等特点,这导致其识别难度较大。本文针对场景文本识别存在的上述问题,开展的主要研究工作如下:针对模型训练时间长和场景文本图像成像质量差的问题,本文采用Transformer来提高模型训练速度,采用基于混合注意力机制的超分辨率单元来提高场景文本图像的成像质量,提出了基于Transformer和超分辨率的场景文本识别模型（Transformer-based Scene Text Recognizer with Super Resolution Unit,TSTR-SRU）。Transformer是基于多头点乘注意力机制加以实现的,因此易于并行计算。在所提出模型中,超分辨率单元通过侧接方式进行连接,即:超分辨率单元在模型训练阶段只参与正向传播过程,而不参与反向传播过程。实验结果表明,本文所提出的TSTR-SRU模型对比以LSTM作为解码器的STR模型,训练速度有明显提升;超分辨率单元在不影响训练速度的情况下,可提高识别性能。此外,针对Transformer不完全适用计算机视觉任务的问题,本文对上述模型进行改进,提出了基于Vision Transformer和超分辨率的场景文本识别模型,（Vision Transformer-based Scene Text Recognizer with Super Resolution Unit,VTSTR-SRU）。该模型结合Vision Transformer,在训练阶段通过使用多种数据增强方式和加载Dei T（Distilled Vision Transformer）模型的预训练权重的方式,进一步提高识别性能。实验结果表明,本文所提出的VTSTR-SRU模型在多个数据集上表现优异,尤其在不规则文本数据集IC15,SVTP和CT80上,与基准模型相比,其识别准确率分别提升9.1个百分点、5.6个百分点和1.7个百分点。