文本检测与识别是计算机视觉、模式识别与人工智能领域的热点研究方向。传统的光学字符识别方法对存在变形、噪声、不同结构布局和复杂背景等复杂场景下的文本检测与识别任务表现较差。随着深度学习技术的发展,基于深度学习的文本检测与识别算法在复杂场景下取得了较好效果。然而,相较于英文字符,中文中仅常见字符就多达数千个类别,这使得数据集构建困难;其次,不同于英文文本通常词内字符间距小,词间距大,中文文本字符间距可能与词间距相当,现有行文本检测算法可能导致其被拆分;此外,字符识别任务常使用one-hot编码,忽略了字符间的内在相关性,且字符类别存在长尾分布问题,使得中文字符识别困难。但是目前,以英文为主的通用文本检测与识别的研究较多,而针对中文场景的文本检测与识别研究较少,基于上述问题,本文的主要研究内容如下:（1）针对现有行文本检测算法对文本检测易出现文本被切割的问题,提出了基于注意力高斯字符响应的字符和文本检测方法,通过预测字符响应,结合设计的不同自适应阈值模块实现字符级与词文本级的并行检测。该方法首先基于FPN结构实现特征提取;然后通过一个期望最大化注意力模块增强低秩特征;接着提出了基于高斯热图的字符响应方法,并提出了自适应字符边界阈值、自适应字符连接阈值与自适应文本边界阈值,及融合三组自适应阈值的文本阈值融合模块。其中,分别使用自适应字符边界阈值和自适应文本融合阈值对字符响应图进行分割,实现了字符级与文本级的并行检测。（2）针对中文字符数据集采集成本高,基于Pix2Pix与Cycle GAN的字符图像生成方法,提出了基于多条件生成对抗网络的字符图像生成方法。该模型基于生成对抗网络,首先设计了基于U-Net结构的生成器,在下采样的过程中利用注意力机制将风格图像与源字符、目标字符的形状特征充分融合;其次优化了判别器的判别目标;最后提出了可直接使用现有场景文本数据集训练网络的方法。基于上述提出方法,最终实现了特定字符到特定场景风格迁移的图像生成模型。（3）针对one-hot编码忽略了字符的形状相似性,提出了基于字符嵌入信息融合结构的字符识别模型。该模型首先基于汉字拆字原理定义了字符之间的相似性,然后设计了基于Skip-Gram的字符嵌入训练方法,设计了基于字符嵌入信息融合结构的字符识别模型,以此提升字符识别的准确率。此外,针对汉字生僻字图像样本收集困难的问题,利用提出的基于多条件特征融合生成对抗网络的字符图像生成模型有效改善了字符的长尾分布问题。