语种识别是文本图像处理领域的经典问题,与多语种文本图像识别系统的整体识别效果密切相关。自然场景文本图像常存在背景复杂、字体多样等问题,使得自然场景文本图像的语种识别变得困难,另一方面,不同的语种中可能包含相似甚至相同的字符,进一步增加了语种识别的难度。为提升自然场景文本图像的语种识别性能,本文提出了两种语种识别方法,分别是基于注意力机制的多尺度特征融合语种识别方法和基于上下文语义强化的语种识别方法,并在多语种文本图像识别系统中验证了本文提出语种识别方法的有效性。具体工作如下:（1）针对场景文本图像背景复杂等特点,提出了基于注意力机制的多尺度特征融合语种识别方法。首先,在提取文本图像局部特征的基础上,使用一个多尺度特征融合网络进一步提取全局特征并融合这两种特征,然后结合通道软注意力模块,对多尺度特征在通道上进行加权处理,提高对语种识别任务更有效的特征权重,从而提高语种识别的性能。该方法在三个公开数据集CVSI-2015、SIW-13、RRC-MLT2017和私有数据集Keda2030上分别达到99.03%、96.18%、89.64%和94.05%的准确率。（2）针对不同的语种使用相似甚至相同字符的情况,提出了基于上下文语义强化的语种识别方法。该方法将卷积神经网络生成的丰富的图像表示和循环神经网络提取的序列语义特征相结合,让网络在获取图像层面特征的同时捕获到文本上下文信息,并应用注意力机制,让网络自适应地学习图像和上下文信息的融合特征表示,以便更好地区分语种。该方法在数据集CVSI-2015、SIW-13、RRC-MLT2017和Keda2030上分别达到99.10%、96.49%、89.93%和94.65%的准确率。（3）在基于多语种统一建模的文本图像识别系统中,融合上述语种识别方法,验证了语种识别可以有效提升文本图像识别系统的性能。首先对文本图像进行语种识别,并按照不同语种对多语种统一建模模型进行训练形成相应语种的识别模型,然后根据语种识别结果选取对应语种的识别模型。在Keda2030数据集的8个语种上进行测试,实验结果表明,融入本文提出的两种语种识别方法后,基于多语种统一建模的文本图像识别系统的识别性能得到有效提升,第二、三章两种方法在8个语种上的平均字符串识别准确率分别提升了4.39%和4.88%,平均字符级别准确率分别提升了2.28%和2.51%。