文字检测与识别一直是计算机视觉以及图像处理的重要研究方向,场景文字,也即自然场景图片中的文字,对其进行检测与识别更是当下的研究热点,场景文字的检测与识别具有巨大的研究和应用价值,它对于图像中所包含的高级语义信息有很好的研究。在实际生活场景中,场景文字检测和识别技术有着很广泛的应用,如自动驾驶、车牌识别、智能导航、无人超市等。场景文字检测与识别的研究已经进行了多年,并且取得了大量的研究成果。但是自然场景下的文字受到其背景、尺度、字体、文本框形状、方向、图片质量等方面的影响,对场景文字检测与识别带来一定的困难。直至今日,具有不规则形状的场景文字检测与识别以及文本紧邻的场景文字检测与识别依旧是研究的热点难题。近年来,深度学习和神经网络在计算机视觉、图像处理等领域取得了巨大的成功,本文基于深度学习分别对场景文字检测工作和识别工作进行研究,论文中主要的工作内容如下:1.检测网络首先对场景文字图片进行预处理,对图像进行增强和降噪。预处理的作用是使网络能够更好地对图片的特征进行提取,以助后续的检测。2.检测网络使用基于FPN结构的残差网络对图像的特征进行提取融合,然后通过多个卷积层进行分类得到了多个不同大小同一文本的预测结果,将最小的预测结果逐步扩大至最大的预测结果,这样能够很好地分割相邻文本实例,并最终得到图片中文本的检测结果。3.识别网络对不规则的场景文本进行了矫正,首先定位文本的控制点,再通过计算像素点间的TPS参数变换,找到矫正图片中的像素点坐标位置在原图片对应的像素点位置,最后生成矫正后的图像。4.识别网络使用序列到序列模型作为基础,先使用深层的残差网络提取图片的特征并将特征转换为序列,通过BiLSTM对提取到的特征序列进行编码,最后使用基于attention机制的双向LSTM解码器输出得到最终的识别结果。本文分别对场景文字检测和识别构建网络,并通过实验分析证明了两个网络性能的优异性。