在日常生活中,文本检测和识别有着非常广泛的应用,涉及了图像检索、图片管控、票据识别等诸多场景,因而在学术界引起了广泛关注,有很多专家学者对此进行了深入研究。在自然场景中,文本通常具有不同的种类、尺度和分布,且缺少结构化的版式。此外,场景背景的复杂性也是一个难点,如低分辨率、噪声干扰、异物遮挡、透视变换等都可能对检测和识别结果造成不利影响。以上问题的存在使得场景下的文本检测和识别成为一项富有挑战性的任务。本文在已有算法的基础之上进行了研究,针对部分算法的不足进行了改进。为了解决复杂场景下检测效果不佳的问题,在两个不同的应用场景,提出了两种基于卷积神经网络的文本检测新算法。为了解决复杂场景下文本识别效率不高的问题,提出了一种基于矫正网络的文本识别新算法。以上算法都在标准数据集上进行了测试,都取得了令人满意的结果。本文的主要研究内容如下:1.提出了基于多尺度特征融合和像素点链接的文本检测算法:该算法主要解决了基于锚点类算法效率低下的问题。相比于基于锚点类算法,该算法基于实例分割,流程简洁,检测精度较高。由于本算法无需设置锚点,从而节约了计算量并提高了检测效率,该算法在标准数据集ICDAR2013和ICDAR2015上都取得了不错的结果。2.提出了基于边缘像素的倾斜长文本检测算法:该算法主要解决了倾斜文本和长文本检测效果不佳的问题。该算法在采用带角度的旋转候选框的同时引入边界像素来辅助检测,通过边缘像素、旋转角和边界距离来生成最终的候选框。在含有较多倾斜长文本的标准数据集上取得了良好的效果,这充分说明了算法的优异性。3.提出了基于矫正网络的场景文本识别算法:该算法主要解决了文本尺度差异大、分布不均衡的问题。本文采用矫正网络将图片矫正到更易识别的位置,提升网络的效率。序列识别部分采用双向长短时记忆网络,该网络对于上下文的信息较为敏感,因此可以用其提取字符间的信息进行建模。此外,本算法还在解码层面引入了一个额外的解码层,该层的作用是加入了一些额外的监督信息来辅助识别,从而提高了识别的速度,并且在一定程度上提升了算法的鲁棒性。同时该算法在ⅢT5K等数据集上的表现令人满意。