电子商务自从1999年在中国出现以来,发展迅速。到2017年年底,中国电子商务市场交易额高达29.16万亿元,其中网络零售市场交易规模达到了7万亿,占据全球网售份额的50%。中国已经成为电子商务规模最大、发展最快的国家之一。人们可以通过移动终端设备进行几步简单操作,就可以在电商平台中购买自己需要的商品。传统的电子商务管理方式局限于文字,主要为屏蔽以及关键字过滤等文本处理的方法,而如今电商平台越来越多地采用图片的方式展示信息,这为电子商务的管理带来了技术上的挑战。因此,自动读取商品信息图片中的文本信息成了热点问题。在文本检测方面,本文实现了一种基于FCN的多方向文本检测模型,该方法先通过ResNet50提取输入图像的特征,然后将ResNet50得到的每一层不同尺寸的特征图进行特征融合,对特征融合后的特征图进行回归和分类的操作,去除候选区域的提取、过滤和融合等步骤,提高模型的效率。利用改进后的NMS将预测的文本框合并,得到最终的检测结果。同时,为解决非平衡数据的问题以及加快模型的收敛,模型引入了DiceLoss和实例间平衡的交叉熵损失相结合的损失函数。在文本识别方面,本文实现了一种基于序列的文本识别的模型。该方法包含了四个模块:DenseNet的特征提取层、空间变换层、双向LSTM的序列学习层和基于连接时序分类模型的转录层。在文本识别任务中,训练数据对模型有着重大的作用,本文首先对数据进行增强,从而增加模型鲁棒性。为了能提取更多的特征信息,模型采用了密集网络Dense Net作为特征提取层的卷积神经网络。通过空间变换网络对数据进行空间变换和对齐,以解决扭曲和倾斜文本的问题,然后利用BLSTM对提取的特征进行处理。最后,针对图像中文本长度不一和文本不易分割的问题,借鉴了语音识别中常用的联结时间分类模型,将输出预测转录成最终结果。