自然场景下的文本检测和识别作为计算机视觉领域重要研究方向之一,备受研究学者的关注。场景文本检测和识别本质上分为两个任务,文本检测和文本识别,文本检测的效果好坏会直接影响到文本识别的结果。针对在文本背景多样性和文字样式复杂性等因素影响下的自然场景文本检测和识别问题,本文提出以下创新工作:（1）文本检测问题:针对文本目标不规则、方向多样和文字背景多样性等因素导致文本检测率低的问题,提出一种基于YOLOv5改进型的文本检测网络。首先采用YOLOv5m作为基准网络进行优化,在主干网络中引入CBAM注意力模块,将注意力机制与残差网络结合,提升特征提取能力;其次,去除YOLOv5网络三个候选框中预测大目标的候选框,并对网络进行稀疏化,减少网络参数,提高训练速度;最后,使用α-IOU损失函数,增强模型的鲁棒性。（2）文本识别问题:针对场景图像质量低下以及文字背景噪声复杂导致的文本识别难度大的问题,提出一种基于卷积网与注意力机制结合的文本识别算法。将二维卷积网特征连接至基于注意力的序列编码器和解码器,编码器使用卷积神经网络进行特征映射和特征提取,解码器则应用Transformer的方式。编码器使用Res Ne Xt50进行特征提取,图片特征进一步经过两层卷积处理,作为查询和关键向量输入至Transformer编码器的多头注意力机制。模型训练前,在COCOTEXT数据集上进行预训练,对参数初始化,提升后续训练收敛速度,同时进行数据增强,提高网络模型的泛化能力。在公开数据集上进行了广泛的对比实验,实验结果显示本文提出的文本检测和识别方法明显优于当前主流方法,是非常有效和鲁棒的。