文本图像二值化是文本分析和识别的重要预处理步骤之一,目的是将文本图像中前景文本与复杂背景分开。而文本图像在存储过程中会受各种物理因素影响而发生退化,例如产生页面污点、纸张破损、背景渗透等,形成低质量的文本图像,这些复杂的退化因素为文本图像二值化带来极大挑战。因此,实现低质量文本图像的精确二值化任务具有重要的研究意义和应用价值,本文研究的主要内容与工作如下:（1）针对低质量文本图像中存在大量与文字笔画糅杂在一起的背景干扰噪声使其二值化结果中包含较多误判笔画信息的问题,提出改进瓶颈层（bottleneck）的U-Net模型用于低质量文本图像二值化。对传统U-Net的瓶颈层结构进行重新设计,根据低质量文本图像的特点,给出三种改进的U-Net瓶颈层设计方案。通过在U-Net瓶颈层中融合注意力机制和全局上下文模块等方式,使模型更加关注图像中的文字目标区域,同时利用全局上下文信息减少对文字笔画的误判,提升低质量文本图像二值化的精度。实验结果表明,本文提出的三种瓶颈层设计方案均比传统U-Net的瓶颈层方案有更佳的二值化效果,二值化结果中文字笔画与背景的区分更精确,其中瓶颈层中融合全局上下文模块的U-Net二值化性能最突出。（2）针对传统U-Net缺乏对中间卷积层特征信息的利用而忽略不同规模的全局上下文信息,导致文本图像二值化结果中文字域与背景域的划分缺乏整体和局部关联性考虑的问题,提出一种基于多尺度特征预测融合与注意力机制U-Net的低质量文本图像二值化方法。采用多尺度特征预测融合的设计思路聚合由多个上采样块输出层的特征作为U-Net的解码输出以利用不同尺度的全局信息,并将聚合后的特征矩阵经过一个重新设计的双重注意力模块处理得到最终的特征图。实验结果表明,提出的方法更充分地利用了图像不同尺度的全局信息,实现更精准的二值化分割任务。（3）针对低质量文本图像背景噪声复杂且受限于数据集和网络规模大小使得图像深层信息难获取,最终二值化结果中文字的形状、轮廓等特征表达不足而导致二值化效果不佳的问题,提出一种基于新编码-解码U-Net的低质量文本图像二值化方法。采用适合小数据集的分割网络U-Net为模型骨干,选择Image Net上预训练好的VGG16为U-Net的编码器,在解码器各上采样块中分别引入残差跳跃连接和密集跳跃连接,并适当增加上采样块卷积层数,使上采样层更好地恢复文本图像深层特征。提出的方法不仅使模型具有更好的深层特征还原能力,而且提升了模型的训练速度、收敛速度和泛化能力,从而提高低质量文本图像二值化效果。将（1）、（2）、（3）中的改进融合,构建适用于低质量文本图像二值化的U-Net网络模型,给出基于改进U-Net的低质量文本图像二值化方法。使用该方法分别在DIBCO 2016-2018数据集,以及ICFHR提供的两个Palm Leaf Manuscripts数据集上进行二值化综合实验。实验结果表明,提出的方法在各数据集上均取得了突出的二值化成绩,在多项指标上达到了目前领先水平。