文字作为人类最伟大的发明之一,不仅是人类语言的书面表达形式,更是一种精神、文化的传承。而图像作为一种重要的信息载体,不仅携带着色彩、纹理、结构等信息,通常还存在大量文字,其中文字往往包含更丰富的语义信息,能够对图像场景的理解提供重要线索。可以说文字在日常生活中随处可见,如何对图像中的文字进行识别和理解具有重要的研究意义,也有着广阔的实际应用场景。如手写票据识别、车牌识别、拍照翻译等应用,可以大大提高人类生产效率,给人们的生活带来帮助和便捷。尽管传统的文档文字识别技术已经非常成熟,但是由于手写风格的巨大差异和自然场景复杂的背景,准确地识别手写汉字以及自然场景图片中的文字仍然是非常有挑战性的任务。随着深度学习技术的快速发展,计算机视觉领域迎来重大突破。本文借助深度学习技术,结合中文的特性,展开对手写汉字字符和自然场景中文文本的识别研究,主要研究内容如下:(1)提出了一种基于多对比注意力机制的卷积神经网络来进行手写汉字字符识别。此方法对同一张输入图片学习多个注意力区域,并且在多个损失函数的监督下,使模型的注意力能够定位到字符有区分性的区域,同时让同类字符定位到的这些区域特征尽量相似以减小手写风格差异带来的干扰。与传统的方法相比,此方法能够简单有效地减小形近字和类内差异大的字符识别错误率,且在不使用额外数据,仅使用单个模型的情况下识别精度超过了当前所有的方法。(2)提出了一种基于双注意力机制的自然场景中文文本识别方法。为了解决1D序列模型对多方向文本、曲形文本等不规则文本识别效果不佳的问题,采用编码器-解码器识别框架,在二维卷积特征图上使用2D注意力机制,仅使用字符串的标注,以弱监督的方式定位单个字符空间信息更加丰富的局部特征。然后在编码器输出的一维特征序列上使用1D注意力机制,得到字符上下文信息更丰富的语义特征,最后将两类注意力模块得到的特征融合以解码当前时刻的字符。与先前的方法不同,此方法不依赖复杂的设计(如文本矫正、字符实例分割、多方向LSTM编码等),并且不需要额外的字符或像素级别标注实现端到端模型训练。得益于两种注意力机制的巧妙结合,本文提出的方法更加鲁棒,对规则和不规则文本都能达到较好的识别效果。