船舶的检测和身份识别是港口智能化管理的重要一环,旨在掌握港口进出船舶信息,为通航评估,打击非法停泊、非法出港等违规现象,确保港口交通安全提供支持。在港口摄像头监控场景下,基于图像分析的船牌检测和识别技术成为实现船舶身份识别的重要手段。图像分析技术在车牌检测识别领域已比较成熟,然而由于船牌背景复杂、文本复杂多样、字符排列不规范、字体类型不统一等因素,图像分析技术在船牌的文本检测和识别领域仍面临着严峻的挑战。在此背景下,本文提出一种复杂背景下基于深度学习的船牌文本检测和识别系统SP-TDC（Ship Plate Text Detection and Recognition）。为避免图像中的复杂背景和噪音影响船牌文本检测识别的准确率,先采用改进的YOLO（You Only Look Once）检测算法检测船舶目标,缩小检测范围;针对船牌文本复杂多样、排列不规范给船牌文本检测带来的挑战,提出来一种基于全卷积神经网络的文本检测算法TDNet（Text Detection Network）;针对船牌字符差异大、字体类型不统一给船牌文本识别带来的挑战,提出一种在线自适应网络结构TCNet（Text Classification Network）,实现船牌文本的分类识别;为加快检测效率,采用特征共享策略将TDNet和TCNet结合为端到端的神经网络结构TDCNet（Text Detection and Classification Network）。在SP-TDC系统中,通过摄像头获取监控视频流,然后解码生成连续的图像帧,并进行船舶目标检测,截取船舶区域;在船舶区域中通过TDCNet进行船牌文本的检测和识别。实验表明,本文提出的基于深度学习的船牌文本检测和识别系统SP-TDC可以连续的处理港口监控摄像头下的视频数据,具有良好的自适应性、较高的准确率和处理速度。