自然场景图像中的文字具有更加精确的语义信息,准确地从场景图像中提取和识别文字能够极大地增强计算机对图像内容的理解能力。计算机对自然场景图像中的文字进行检测和识别的工作已经成为文字识别领域乃至整个计算机视觉领域中最受关注的研究热点。因此,本文基于深度学习方法,对场景图像中的文字检测和识别进行了以下研究。首先,针对场景图像中背景复杂、视觉元素繁多及准确检测待识别文字问题,提出基于深度学习和YOLOv5的目标检测算法对图像中的文字进行检测与定位,并在多种类型的数据集上进行了文字检测实验。结果表明目标检测模型能够快速、准确地定位图像中不同类型的文字,为后续识别工作提供了基础。其次,对于图像背景易与文字混淆而影响识别的问题,构造了基于UNet的语义分割模型及嵌入注意力机制的Att-UNet模型,使用图像分割的方法检测并定位场景图像中文字。通过对图像添加人工噪声和干扰的方法构造像素级标注的数据集,缓解了数据集匮乏问题。语义分割的实验结果表明,分割方法不仅能够对文本行区域进行分割,还能够直接分割文字本身的形状,极大的增强后续识别所需的特征。最后,对于场景图像中文字排列差异和检测结果不一问题,分别对单字符、固定长度文本行和不定长度文本行的图像进行了基于深度神经网络的识别研究:基于改造分类模型实现了对单字符图像较高的识别准确率同时降低了参数量,并证明了解耦合模型的优势;基于多标签分类方法提出了一种端到端的固定长度文本行识别模型;基于CRNN模型和CTC损失实现了对不定长度文本行的端到端识别。端到端的文本行识别方法避免了传统文字切分方法造成的错误累积,有利于场景文字检测与识别任务整体准确率的提高。