场景文本检测与识别技术是计算机视觉任务的分支,同样也是计算机视觉中的热点课题。该技术在卡证识别、无人驾驶导航、图像内容检索等方面具有广泛的应用前景。自然场景中的文本表现形式丰富多样,字符种类繁多,文本的大小、颜色、长宽比不同,并且有严重的背景干扰问题。如何从自然场景中快速准确地检测出文本区域并对其准确识别,仍是该领域亟待解决的问题。本学位论文通过深入研究分析场景文本检测与识别方法,对经典的文本检测算法和文本识别算法进行了较全面的改进,论文的主要研究内容如下:（1）针对自然场景中文本检测出现错检、漏检和实时性不足的问题,本学位论文改进了场景文本检测算法DBNet。首先,在主干网络Res Net中加入带有通道注意力和空间注意力的SA注意力机制;其次,采用带权重的双向特征融合机制代替FPN结构;最后,构建了多语种文本检测数据集,对模型进行预训练后微调,得到基于SA注意力机制和双向特征融合的场景文本检测模型。（2）针对自然场景下中文识别准确率低、对困难样本识别效果较差的问题,本学位论文改进了CRNN算法。首先,本学位论文采用Res Net替换其原有的VGG结构的7层卷积神经网络;其次,引入Focal CTC损失增加困难样本对总损失的贡献;最后,对中文场景文本数据集做数据增强,在此增强数据集上对模型进行训练,得到适合中文场景文本识别的模型。（3）提出了基于平均编辑距离的文本相似度匹配的阈值确定方法,结合本学位论文提出的的场景文本检测与识别模型,设计并开发了自然场景中牌匾定位系统。本文通过对比实验和消融实验验证了本学位论文所提出的方法的可行性和有效性,并对本学位论文开发的自然场景中牌匾定位系统进行了测试。实验结果表明,改进后的DBNet算法较比原算法在Icdar2015上的F值提升0.9%,并具有良好的实时性,在现实场景中表现更佳。改进后的CRNN算法在百度中文街景数据集中准确率显著提升,模型更加适用于中文场景文本识别。系统测试结果表明,本学位论文设计和开发的自然场景中牌匾定位系统可以实现对自然场景中的牌匾的检测、识别以及定位。