随着计算机视觉技术和人工智能技术的发展,快速提取自然场景中的文字需求也急剧增加,捕获和识别这些文字有助于理解和分析图像,而靠人工去手动读取图像中的文本不仅耗费大量时间和精力,而且也容易出错。因此,自然场景图像中的文本检测识别成为当下热门的研究话题之一。目前文本检测与识别在现实生活中有着广泛的应用,例如手机设备上的拍照翻译软件,可以拍摄异国街道或路牌上的文字,将一种语言实时翻译为另一种语言,提供导游帮助;公安机关的高速监控设备,可以抓拍识别高速公路上行驶汽车的车牌号码,其他如识别名片、识别菜单、识别快递单、识别证件、识别路牌、识别试卷、识别单据等等都有着极大的实际应用价值。但现有的大多数成功的场景文本检测算法是基于区域建议,需要人为的提前设置大量合适的锚框,十分繁琐,同时还会造成额外的后处理,加慢推理时间。因此本文提出了基于关键点检测无锚框的文本检测算法,提升了训练效率,推理速度优于已有的文本检测算法。同时现有的基于序列的文本识别网络由于没有关注不同通道特征图对文字识别准确率贡献不同,中文识别准确率还有待提升,同时序列识别中LSTM带来的梯度消失使得文本识别训练时间过长,因此文本同时提出了一个带通道注意力机制的密集连接卷积网络与残差LSTM的文本识别算法,提高了文本识别的精度,加快了文本识别的训练时的收敛速度,具体工作如下:1,提出了一个基于关键点检测无锚框文本检测算法,直接将文本检测转换为关键点检测,构建模型时将文本目标作为一个点,采用关键点估计直接来找到文本的中心点,预测每一个像素点是否为文本中心,针对中心点再回归文本框的宽高,相比较基于候选框的文本检测器,本文提出的检测模型更简单、更快。与复杂的多阶段的其他文本检测算法比,实现了精度和速度的较好权衡。2,针对关键点估计设计了带残差并行空洞卷积（RPDC）模块的编码器与解码器结构,引入空洞卷积在保持特征图分辨率的同时增大了感受野,较大分辨率的图像能提高小文本目标定位精度,同时感受野的增大加强了全局语义信息,有利于定位大尺度文本。并且采用不同扩张速率的空洞卷积并行方式,每条支路得到不一样的感受野,扩张速率越大,感受野越大,从而多尺度捕获文本对象和图像上下文信息。提升多尺度文本定位效果,引入残差连接,作为恒等映射,意味着如果不需要,残差连接可以消除RPDC模块的影响。3,提出了一个带通道注意力机制的密集连接卷积网络与残差LSTM的文本识别算法,通过关注不同通道之间特征的重要性差异,学习各个通道之间特征关系,让模型更加关注信息量大的通道,而抑制不重要的通道特征,使得对字符特征指向性更强,同时密集连接使得卷积网络每一层的输出都直来连到后面所有层的输入,鼓励了特征的重用,融合了多层的特征,减少了不必要的计算量,并且在后面引入一层带残差机制的LSTM,将文本图像特征转为序列特征,利用了文字序列的前后关系,残差机制加快了网络训练时的收敛速度,实验结果表明,通过引入带通道注意力机制密集连接卷积网络和残差LSTM能有效的提高文本识别的精度,并且加快了网络训练收敛速度。