购物小票票据是线下消费过程由商户提供给消费者留存的购物凭证。由于线下零售销售系统的独立性,海量线下消费数据被不同品牌、商铺形成的“信息孤岛”所隔离。在此背景下,对购物小票票据进行数字化信息结构抽取可以为智能零售提供针对商品运营和供应链优化的精准数据分析。传统光学字符识别（Optical Character Recognition,OCR）系统在扫描文档图像的文本检测和识别任务上表现优秀。但是,由于自然场景下拍摄环境的不确定性,手持设备拍摄的购物小票票据图像对OCR方法提出了新的挑战。购物小票票据图像具有文本形状不规则、文本行密集等特点。面对文本形状不规则的挑战,本文选择了基于语义分文本检测模型,并提出基于文本实例骨架中心聚类的文本检测后处理方法。该后处理方法针对语义分割特征图进行文本行骨架中心生成与文本实例边缘像素聚类,有效提高文本检测模型对文本实例边缘轮廓的识别能力。针对不规则文本的识别问题,本文提出一种基于Transformer的文本识别网络模型SRRNet（Shopping Receipt Recognition Network）,该模型利用自适应2D空间注意力模块提取图像特征的2D相关性信息,从而解决识别过程中序列解码的注意力漂移问题。SRRNet模型在本文构建的购物小票票据识别数据集上取得85.82%的文本行准确率。受益于Transformer的并行处理能力,本文提出的SRRNet识别模型取得了准确率高、推理速度快的均衡水平。大规模训练数据是提升现有OCR方法性能的关键之一。针对现有购物小票票据数据的长尾分布问题,本文提出了基于条件生成对抗网络的文本编辑方法Text Transfer Net。该方法通过替换真实图像的目标文本实现对文本内容的定向编辑。该方法将文本编辑任务分为三个子模块:（1）背景文字擦除;（2）文字内容替换;（3）文字背景融合。针对购物小票文本识别数据集的数据扩充实验证明,本文方法有效地提升文本识别模型在少样本场景或长尾数据场景下的鲁棒性和准确率。