自然场景的字符检测包含两个阶段,即字符检测与字符识别。其中字符检测是对自然图像中单词或者字符行进行定位的技术;字符识别是紧接着对字符检测的定位结果进行提取,从自然场景图像中获取有价值的字符信息。如今深度学习的发展已驶入快车道,字符检测与识别的技术要求与应用需求也是水涨船高,基于自然场景中字符的字体、色彩、尺寸、形态和分布等特征,用传统方式很难对其进行合理拆分和提取。所以,如何合理地检测和识别自然场景尤其是复杂背景中的字符,是一项非常挑战性的工作。（1）通常情况下,自然场景中的字符分布杂乱无章,干扰因素繁杂,对字符的检测与提取造成了很大的困难。针对当前自然场景下字符检测算法性能上存在的不足以及复杂背景环境下的字符处理效率低下的问题,本文基于PSENet网络模型,结合特定模块设计了一种新型的像素级别字符检测方案,提升自然场景图像中的字符检测效能。首先,通过轻量化特征提取网络对图像进行关键信息的特征提取和特征融合,引入用以增强图像特征的U型级联结构;之后,对所获取的全部特征进行同级融合;最后,通过选择性搜索扩张算法对字符像素进行末端处理,确定字符所在位置。最终改进后的字符检测网络带来1.3%的精度提升,所以实验表明字符检测改进算法在改善冲突像素归属问题上有明显优势。（2）以往的识别网络中,字符排序随机性会对识别结果造成很大程度的干扰,针对以上问题,在基本的字符识别网络的基础上,首先,引入一个新的处理子网络即图像监督矫正,目的是对输入图像中的字符生成一系列控制点;其次,结合参考点的坐标对图像进行矫正,尽量消除因为旋转角度带来的影响;之后,使用CRNN网络提取字符图像的底层特征,Bi-LSTM存储特征的中层序列特征;最后,由CTC将特征序列转化为预测结果,并计算网络的损失。将改进后的识别网络在几个标准数据集上分别进行实验,验证监督矫正给网络带来的积极作用。实验结果表明矫正问题的解决给网络识别结果具有明显的帮助,在单字识别准确率上提升了1.64%。