文字是人类进入文明时代的的重要标志,结合最新的信息技术对文字进行定位与识别具有现实意义。21世纪的第二个十年,人工智能被推上社会舆论的风口浪尖,交通标志识别、证件识别、票据识别等投入实际应用,使自然场景的文字定位与识别研究成为了热点问题。不同于文档文字的定位识别,自然场景中的文字由于其字体丰富、背景复杂、光照不均、异物遮挡、多维排列、图像变形等因素而识别困难,传统方法难以解决,深度学习技术的发展将自然场景的文字定位与识别带入了新的时代。本文结合深度学习算法对自然场景中的文字定位和识别技术进行了研究,主要的工作内容如下:（1）在自然场景文字定位方面,本文提出了基于改进Cascade Mask RCNN的文本定位算法,改进了文本特征提取网络,将特征金字塔网络和Res Next结合,改善了其检测多尺度特征的能力,平衡了网络复杂度和精度的两难问题。为适应场景文本长宽比较大的特点,我们设计了一个inception结构的卷积核来解决这些挑战。进行了实验验证,使用公开数据集,从召回率、准确率和综合指标F-score三个角度证明本文算法的有效性。（2）在自然场景文字识别方面,提出了基于改进CRNN的文字识别算法,在进行文字识别之前,将文字识别视为Seq2Seq问题,使用基于薄板样条插值（Thin Plate Spline,TPS）的空间变换网络（Spatial Transformer Networks,STN）对不规则、透视图像进行矫正,矫正后的图像送入卷积神经网络提取图像的静态特征,使用Bi GRU网络代替了网络结构复杂、参数量大的LSTM网络对特征序列进行上下文序列编码,结合注意力机制的Bi GRU算法进行序列解码,得到识别文字识别结果。通过消融实验验证了不同的特征提取网络对识别准确性和计算开销的影响,证明了Bi GRU的引入对模型精度和复杂度的优化作用,在公开数据集上验证了空间变换网络对模型的识别效果具有提高作用,证明了空间变换网络对识别结果的提升作用。本文研究了现有文字定位和识别方法在自然场景数据集上的优缺点,提出了优化的方法,在一定程度上解决了自然场景文字定位与识别的问题,对场景文字识别的后续研究有一定的参考价值。