文字是信息传递的主要工具,它广泛地存在于各个场景当中。因为正确地识别场景中的文字有助于理解场景中的信息,所以利用算法让机器正确地从图片中识别文字信息一直是学者们的重点研究课题。与文档文本识别任务不同,场景文本识别任务的主要挑战是复杂的场景环境导致文本图片的多样性,比如自然光照过强导致某些文字的关键部分反光,或者亮度过低导致文本轮廓不明显;又或者因为拍摄角度的问题,使得图片中的文本呈现出一定的形变,这会导致文本形状变得不规则;以上因素都会给文字识别任造成困难。近年来有很多的研究结果表明,基于深度学习的注意力机制算法在处理序列问题上具有多样性和灵活性,所以本文研究利用注意力机制来解决场景文本识别的问题算法。本文的研究工作和贡献点主要包括:1.本文改进了提取图像特征的编码网络,缓解了训练数据和测试数据在客观分布上的差异的影响,使得场景文本识别模型更有鲁棒性。2.针对不规则文本的识别问题,本文在经典的一维注意力机制的基础上做了改进,提出了两种基于二维注意力机制的场景文本识别方法。本文所设计的方法充分利用了当前正在被识别的字符的上下文信息生成二维特征注意力分布,此注意力分布定位了在二维特征图中对应字符的局部特征所在位置。这种获得二维注意力分布的方式不需要使用字符级别的标注信息,降低了训练的成本。3.为了更好地改进注意力机制,本文提出了基于交叉注意力机制的场景文本识别算法,将从二维特征中提取对应字符的过程分配至竖直方向和水平方向两个阶段进行,从而使得网络既有二维注意力机制的优势,又能灵活地改进其注意力网络的解码过程。实验结果显示,所提出的两种基于二维注意力机制的场景文本识别算法与传统的基于一维注意力机制的场景文本识别算法相比,在性能上有显著的提升。而基于交叉注意力机制的场景文本识别算法在引入了自然语言处理领域的注意力交互机制后,其识别效果也有明显的提升。