不规则自然场景文本检测与识别在机器导航、图像搜索、场景理解、即时翻译和工业自动化等相关领域有着广泛的应用前景,同时也是计算机视觉领域的关键技术,近年来已成为热门的研究方向。典型文本识别系统的处理流程为:首先通过文本检测算法定位图像中的文本实例,然后通过文本识别算法对文本实例进行识别。其中文本检测算法的输入为高分辨率的场景图片,其检测的准确度和处理速度对后续识别性能的提升有重要影响,而文本识别算法需要面对多样的文本数据,识别算法的泛化能力受到挑战。因此,当前的研究难点主要有:（1）文本检测网络的计算效率低,难以兼顾速度和准确度;（2）样本数据不平衡导致的文本识别算法在复杂场景下的识别鲁棒性较差;（3）不规则的文本排布给文本识别的泛化性能带来挑战。以上难点限制了文本识别系统的性能,阻碍了相关算法在实际场景中的应用。针对存在的问题,本论文围绕文本检测网络、文本表征学习以及文本矫正技术展开研究,工作内容包含以下几个方面:1.提出了基于循环渐近分割的文本检测算法。关于现有文本检测方法难以平衡算法效率与检测准确度的问题,主要原因在于检测模型学习文本表征的效率一般,近年的文本检测方法使用特征金字塔网络来多尺度地描述文本的空间语义,增强对目标细节的检测,但这些结构忽略了学习效率的问题,导致网络的计算成本存在冗余。针对该问题本文提出一种基于循环渐近分割的文本检测算法,首先,在特征金字塔网络的前向传播过程中引入渐近约束优化机制保证语义特征的增强趋势,然后,对网络的中间层特征施加语义约束机制,指导网络提取更准确的文本语义。经过实验验证,所提出的文本检测算法可以在参数量、计算量基本不变的条件下提高检测准确度2.0%,对比当前主流的文本检测网络更有利于平衡算法的效率和准确度,在公开数据库上的文本检测性能超过了多数近年方法。2.提出了鲁棒性表征学习的文本识别算法。针对复杂场景下的文本识别泛化性差问题,现有数据中存在较严重的样本不均衡现象,各类字符出现频次差别较大,模型难以学习代表性的文本表征,识别准确率下降。为此,本文首先提出基于坐标编码的文本表征网络,优化空间语义,增强模型的文本笔画描述能力;然后提出基于编解码器的表征学习目标函数,引入类别间的相关性信息,约束特征空间的类内一致性和类间区分性,可缓解样本不平衡问题,学习有代表性的文本表征,增强识别鲁棒性。在公开数据库上的实验表明,所提出的方法提高了简单场景下的平均识别准确率1.0%、复杂场景下的平均识别准确率3.0%,优于其他近年的文本识别方法。3.提出了基于孪生网络的不规则文本矫正算法。关于不规则文本的识别问题,本论文分析得到现有训练数据缺少不规则文本样本,使得不规则文本识别算法的泛化性能较差,难以矫正严重形变的文本,识别准确率下降。本论文改进了文本矫正网络的训练方式,提出基于孪生网络的文本矫正算法。首先使用随机仿射变换增广训练数据,然后使用孪生网络从变换前后的图片中学习仿射不变的文本矫正能力,增强不规则文本矫正和识别的泛化性能,可以矫正和识别严重弯曲的和竖直的文本,提高不规则文本的平均识别准确率2.8%。在公开数据库上的对比实验表明,相比近年的不规则文本识别算法,所提出的算法达到了有竞争力的不规则文本识别性能。通过上述研究,本文构建了一套完整的不规则场景文本检测与识别系统,具有高效的文本检测能力,以及鲁棒的文本识别、不规则文本矫正能力,并构建了可行的文本检测识别演示系统。