文字,自从其产生以来,一直是人类文明延续的象征,更是人与人之间进行沟通过程中提供信息的重要载体。近年来,随着深度学习的不断崛起,文字识别相关技术的研究层出不穷。其目的是将文档中或者自然场景中的文本通过机器翻译得到字符文本。在一定程度上说,单一类型的文字识别技术已经趋于成熟了。然而,在许多现实场景应用中,还存在着一种手写体与印刷体需要共同检测识别且分类提取的情况,我们称其为混合文本。如:各式各样的已批改试卷、带有手写签字的合同卷宗、用于商业记录的档案等。目前主流的文本检测网络只能对文本进行定位,而不能对文本进行后续的分类,所以就需要在检测以后再进行分类,这样的做法会加大算法的复杂度,进而影响文本检测分类的效率。而现实场景的多样性、手写文本与印刷文本的高相似性、手写文本风格多样性等因素也会使文本检测分类极富挑战性。基于以上的观察,本文提出了一种基于双线性池化的文本检测网络用于手写文本与印刷文本的混合检测提取,并面向混合文本的检测与识别,从训练数据的增强、文本检测、文本识别三个方面开展研究工作。本文的研究工作如下:1、训练数据增强部分,针对混合文本公开数据集匮乏的问题,本文提出了使用文字贴图和基于Scrabble GAN的方法生成文本检测训练数据;使用基于联合学习的图像增强方式增强文本识别训练数据。总共生成2000张文本检测训练数据,80余万张文本识别训练数据。为后续的文本检测识别工作打下了数据基础。2、文本检测部分,印刷体和手写体共同检测并在检测阶段达到分类效果是本文主要创新点之一。在这部分中,本文提出了一种端到端的混合文本检测网络,该网络采用SPP+PANet结构来提取深层特征并进行特征融合,使用双线性池化模块来提取高区分度特征,以更好地区分手写体和印刷体。并在混合文本数据集上进行实验,达到了91.2%的准确率、93.4%的召回率以及7.8的FPS值,验证了该网络的优良性能。3、文本识别部分,首先,本文采用CRNN文本识别网络训练了两个文本识别模型来分别识别手写体和印刷体文本,然后,针对汉字手写体数据集匮乏的问题,构建了混合手写体文本识别数据集,并通过实验验证了该自制数据集能够有效提升手写文本识别模型的准确率。