文字是信息传递的主要载体,在自然场景中,文字经常携带着非常关键的信息,对于场景的理解起到了至关重要的作用,因此自然场景文本识别一直是一个非常有意义且备受关注的研究方向。在真实自然场景中,文本经常会呈现各种各样的形变,例如旋转、透视变形,弯曲排布等形变,这给自然场景文本识别任务增加了很大的挑战。本文针对自然场景中不规则文本的识别难题,提出了几个解决方案,能够有效改善自然场景文本识别系统的准确率。本文的主要研究工作和创新如下:1.通过系统分析现有不规则自然场景文本识别任务中存在的问题和相关解决方案的优缺点后,本文最终确定使用基于弱监督进行文本纠正的主体框架,在不需要额外数据标注的情况下提升自然场景文本识别的准确率。2.针对自然场景文字形变复杂多样且没有规律的难题,本文提出了一种基于序列变换纠正及注意力机制的自然场景文本识别算法(STAN),该算法由序列变换纠正网络和基于注意力机制的文本识别网络组成。其中,在序列变换纠正网络的设计中,本文引入了分解的思想来降低不规则文本的纠正难度,从而有效改善不规则文本的纠正效果。此外为了确保整个分解、变换再合并的过程是平滑变换的,本文在网络中设计了一个网格映射模块。然后文本识别网络接收纠正后的图片作为输入,结合注意力机制得到字符序列的预测结果。受益于弱监督的训练方式,整个网络只需要文本行标签就可以进行端到端地训练,并且使用序列变换纠正网络后识别准确率在一些不规则文本数据集上有超过5%的提升。3.考虑到基于几何变换约束的文本纠正网络会受限于几何变换的处理能力而不能灵活应对自然场景中形变较大且无规律的文本,本文提出了一种基于全局局部级联纠正及注意力机制的自然场景文本识别算法(GLCRAN),该算法由全局局部级联纠正网络和基于注意力机制的识别网络组成。其中在全局局部级联纠正网络的设计中,通过级联全局纠正器和局部纠正器,我们得到了一个灵活高效且容易优化的文本纠正网络。此外为了解决级联纠正过程中信息丢失以及多次插值采样造成的图片分辨率低的问题,本文针对性设计一个网格生成和采样策略,进一步完善文本纠正算法。该识别算法在多个公开的自然场景文本识别数据集取得了当前最好的识别效果,验证了该算法的有效性。