伴随着互联网时代的到来,自然场景图片的获取与存储越来越便捷,自然场景图片记录着人们的生活以及重要的信息。图片中的文字蕴含有丰富的语义信息,如何从自然场景图像中准确的提取出文字在视频检索、车牌识别、导航系统、工业生产自动化等领域具有重要的应用价值。不同于文档图像,自然场景图像的背景复杂、图片的清晰度差异大,文字区域的规则多样化使得传统的OCR技术无法应用到自然场景中的文字识别上。近年来基于深度学习的技术渗透到各个应用场景,本文结合现有流行的EAST文本检测算法和ASTER文本识别技术,对自然场景图片中文字的提取进行了研究。首先,针对感受野能力不足的问题,本文实现了一种改进的EAST文本检测模型,该模型利用深度残差网络抓取更深层的图像特征,特征融合前在输出步长为8和16的特征映射层后加入ASPP模块进行感受野的扩张,接着通过双线性上采样到合适尺寸与浅层的特征映射串联进行特征融合,最后通过卷积输出到输出层。在网络的训练上,本文修改了损失函数通过结合Focal Loss和Dice loss两大损失函数进行网络的训练。通过在实验数据上的检测证明该模型能很好地完成在自然场景下的文本检测功能。然后,针对经典ASTER模型训练难的问题,本文实现了一种改进的文本识别模型,该模型包括了整流网络和识别网络两大模块:整流网络保留了ASTER模型中基于STN结构对倾斜、弯曲文本的“纠正”功能;识别网络采用共享CNN和LSTM编码层,联合CTC和attention机制的解码层。实验结果表明,在不影响文本识别精确度的基础上,该网络可以降低模型的训练难度。