随着人工智能和深度学习技术的发展,复杂场景下的文本检测识别技术逐渐成为计算机视觉的热门研究领域。在工业运输环境中,员工需要驾驶叉车运输货箱到达指定仓库,而由于人工原因经常会出现错看货箱编码、漏送货箱等情况,导致运输效率低下。因此本文从复杂场景下的文本检测识别技术入手,通过文本检测识别技术识别货箱上的编码,从而帮助员工更清晰、更直观地了解货箱编码。此外,在实际工厂环境下,存在光线昏暗、文本不规整、设备有限以及文本载体不一等因素,从而使得文本的检测识别成为了一项具有挑战性的任务。针对这些问题,本文对工厂环境下的文本检测与识别技术展开了研究,主要贡献如下:（1）针对工业货箱运输过程中货箱文本的检测问题,提出了基于双线性特征向量融合的移动端文本检测方法。该方法采用残差网络进行特征提取,并利用特征增强的Ghost模块替换基础残差块,在减少计算量的同时保证网络的学习能力。而后为了融合不同尺度的文本关键特征,采用特征金字塔增强模块提取图像高低级信息和双线性特征向量融合模块融合关键信息,抛弃非关键特征,从而提升不同尺度文本的特征表达能力。最终为了提高网络检测精确率,在特征融合模块将两者的输出进行拼接,并采用自适应阈值的可微分二值化后处理算法预测文本具体位置。（2）针对工业货箱运输过程中货箱文本的识别问题,提出了线性融合位置信息的货箱文本识别方法。该方法采用文本矫正模型矫正不规则文本,随后通过文本特征增强通道注意力模型增强含有语义信息的文本特征,抑制非关键特征。为增强特征序列的位置信息,利用线性编码的方式获得位置编码,并采用线性操作将其嵌入特征序列中。最后在特征融合解码器中与原特征序列进行拼接并通过基于注意力机制的解码器进行解码。针对货箱文本没有明确上下文关系的问题,设计字符级别监督模块,根据文本特征直接对文本进行分类,提高网络识别文本的准确率。通过在公开数据集上进行实验,证明了本文方法的实时性和有效性。并在真实运输场景数据集上与SOTA方法进行比较,实验结果表明,本文的方法性能最优。最终设计并实现货箱文本检测识别系统,同时将系统应用于真实运输场景。