自然场景理解是计算机视觉领域中最热门的前沿话题之一,其研究范围涵盖了图像分类、目标检测、目标分割和视频理解等诸多类别。近些年来,卷积神经网络的出现和迅速发展,为这一问题的研究带来了新的方法。为了简化对自然场景理解这一复杂问题的研究,本文选取了场景文本检测和图像分类这两个子领域,分别开展了基于卷积神经网络的自然场景文本检测、图像分类任务中降低过拟合现象的深入研究,为场景视觉理解应用提供可行思路与方案。本文首先对基于卷积神经网络的场景文本检测任务进行了综述,将已有的算法分为基于回归的算法和基于分割的算法两类,并对其各自的优缺点进行了分析和总结;然后,本文对卷积神经网络在场景图像分类任务中的研究历史进行了综述,并介绍了为了稳定卷积神经网络的训练过程和降低过拟合现象而设计的部分规则器和方法。在此基础上,本文进一步开展了如下工作:1.对于场景图像中的文本检测问题,本文提出了一种基于分割的、对文本形状鲁棒的新型文本检测方法。与特征金字塔网络模型类似,该算法将语义信息丰富的高层次特征和位置信息丰富的低层次特征融合在一起,通过多条预测支路生成不同尺度规格的分割结果;然后,本文使用尺度生长算法将最小尺度的分割结果以宽度优先搜索的思想逐步生长成为原始尺寸的完整分割结果,以得到文本区域的边界框。该方法可以同时解决形状不规则的文本信息检测问题和相邻文本实例分不开的难点。本文方法在CTW1500、Total-Text、ICDAR 2015和ICDAR 2017 MLT四个公开数据集上进行了实验,验证了该算法在室内外自然场景下文本检测任务中的良好性能,并取得了较高的准确率与召回率。2.对于图像分类问题,为了解决现有深度模型泛化能力不够好、过拟合现象严重的难点,本文提出了一种基于随机裁剪的新方法Cropout。该方法参考了对原始数据的数据增强方法中的随机裁剪操作,对卷积层后的特征图进行随机裁剪,并在特征图层面增加了深度特征的多样性,从而降低了过拟合程度、提高了模型对新样本数据的泛化能力;此外,该方法在不增加网络模型大小和深度的前提下非常容易实现。本文方法在数据集CIFAR-10/100上的实验证明了该方法的性能,并在基准线错误率已经非常低的情况下,提高了图像分类任务的准确率,将错误率进一步压低。