场景图像中的文字具有丰富的高级语义信息,为计算机理解场景图像提供了重要帮助。在自然场景图像中自动检测和识别文本的研究吸引了越来越多研究者的兴趣。本文从文本检测和识别两个角度入手,分别设计了对应的网络模型,并且提出了基于知识蒸馏的文本识别方法,减小了模型的参数量和计算量。首先,在文本检测任务中,将场景文字看作一种特殊的物体,基于现有通用目标检测算法检测文本是目前主流的研究方法之一。然而,目前的检测算法角度回归能力弱,当存在复杂的多种方向的场景文本时,很难准确回归出正确的角度。本文提出了一种能够自动检测具有方向的文本的深度卷积网络模型。在该模型中,设计了空间变换模块学习文本的方向,在对特征进行对齐的基础上进一步学习和改善角度和位置估计的准确性。本文方法避免了预设大量的不同角度、不同长宽比的锚点框,极大地减小了模型的复杂度。实验结果表明,本文提出的检测模型能有效提升文本检测的性能,在ICDAR-2015和MSRA-TD500数据库上均取得了领先的性能。其次,在文本识别任务中,常用的方法是用长短时记忆网络（LSTM）对卷积网络提取的特征进行建模。LSTM采用了串行的方式建模序列特征,在建模长距离特征时会产生一定的信息损失。本文将注意力机制引入到文本特征的序列建模中,通过建模不同文本之间的相似度学习它们之间的长距离依赖关系,并通过注意力模块的堆叠进一步增强性能。实验表明,本文的方法比经典的LSTM更为有效,在四个场景文本识别数据库上取得了极具竞争性的识别结果。最后,本文提出了基于知识蒸馏的场景文本识别方法,以大参数量的复杂网络模型作为教师,将其知识迁移到参数量少的轻量级学生网络模型上。对于特征提取部分,本文采用了中间层特征蒸馏的方式监督学生模型的训练;对于序列建模部分,本文利用教师模型中的相似度矩阵和前馈网络的输出作为监督信号,训练学生模型。实验结果表明所提出的方法能够显著地提高轻量级学生模型的识别准确率,达到甚至超过教师模型的性能。