随着21世纪信息化时代的来临,图片日益成为信息传递最直接、最快捷的方式,为了更快速准确地获取图片中的信息,文本定位与识别就变得尤为重要。本文主要通过对近年来较为优秀的文本定位算法做对比研究,针对自然场景图像文本普遍存在的特点,选定文本定位效果较为突出的任意形状文本检测算法DRRG（Deep Relational Reasoning Graph Network for Arbitrary Shape Text Detection,DRRG）及识别算法CRNN（An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition,CRNN）对其进行改进。论文的主要研究内容如下:针对DRRG文本定位算法对复杂背景图像文本以及尺度变化较大的文本检出率不足的情况,将DRRG文本定位算法中的基础网络由VGG16替换为Res Net-50网络,Res Net-50网络相比VGG16层数更深,计算量较小,对特征提取更为抽象;利用特征融合模块（Feature Fusion Module,FFM）对DRRG算法主网络部分的特征输出结果进行层级间融合,减少特征提取过程中底层特征的丢失,进而实现特征融合过程中获取信息的全面性,并在融合后加入了双向长短时记忆网络（Bi-directional Long Short-Term Memory,BLSTM）网络,提供上下文的序列信息。实验数据证明该改进算法进一步提高了复杂背景文本定位以及尺度变化较大文本定位的精确率和召回率。针对DRRG文本定位算法对小文本以及密集型文本信息漏检、错检的问题,在DRRG主干网络的特征提取分支的卷积层中嵌入卷积注意力机制模块（Convolutional Block Attention Module,CBAM）,对信息进行精细化分配和处理,关注重要特征并抑制不重要特征,进而改善文本的提取效果。实验表明对于小文本较多以及含有密集型文本的场景图像文本定位中,改进算法较原算法有效提高了复杂背景文本定位的各项指标。采用基于序列的文本识别方法完成文本定位后的结果验证工作。论文研究了一种改进的CRNN网络结构,将结构中的BLSTM改进为延迟控制双向长短时记忆网络（Latency-Controlled Bidirectional Long Short-Term Memory,LC-BLSTM）网络,有效改善了对于不定长文本序列识别效果差的缺点。实验结果表明,该模型相比于传统模型在自然场景文本识别的准确率和速度上均有所提升。