自然场景中的文字检测与识别是图像理解中的重要部分,不仅可用于图像标注,还可用于视频监控分析、基于位置的服务和实时翻译等领域。由于自然场景的复杂性,以及文字本身的多样性,目前还没有针对该问题的完善的解决方案。在现有大部分的系统设计中,检测和识别被看成是孤立的两部分分别独立进行处理,识别任务要求以精确的定位为前提,在检测的过程中没有充分利用文字本身的差异性特征。本文提出两种有效的解决方案。第一种方案,利用深度卷积自编码网络进行无监督特征学习,并使用稀疏编码对多尺度下的特征进行融合,实现了复杂场景下的文字定位。该方案虽然检测效果良好,但计算量较大,不能满足实时的需求。第二种方案,本文提出使用多类霍夫森林建立一个统一的检测识别框架,避免检测和识别问题的割裂,有效提高了系统的整体计算效率和检测的准确度。针对霍夫森林在类别增多时识别率下降,以及在尺度多变的情况下定位偏移的问题,本文提出以使用组件树提取文字候选区域,有效去除大量的背景区域,并确定目标的尺度大小,有效解决了定位偏移的问题。本文的主要工作如下：1.提出通过深度卷积自编码网络进行无监督特征学习,以及利用稀疏编码对多尺度下的特征进行融合,应用到自然场景下的文字定位问题中；2.通过修改霍夫森林的结点分割判决函数,把霍夫森林扩展为多类分类器,并应用在文字检测和识别上,建立一个统一的框架；3.提出使用组件树,并结合一组针对文字设计的特征提取文字的候选区域,同时确定目标的尺度大小,避免了在尺度不确定的情况下对检测精度的影响。实验结果显示该方案在场景文字检测和识别方面均与目前的最优方案具有竞争性。