近年来,由于科技的快速发展以及智能设备的普遍使用,在自然场景中是检测并识别文本是一项具有挑战性的任务。随着社会对于场景文本检测与识别技术需求的不断增加,使得场景文本检测与识别可以广泛的应用到日常生活中。例如,应用于自动驾驶,可实时检测道路信息,应用于车牌定位,可快速的检测到车牌的信息,应用于视觉辅助,可帮助识别文本信息,帮助视障人士了解周围环境。传统的文本检测方法尽管已经趋于成熟,但大多数传统方法直接应用于背景单一的图像或者是合成图像,在面向背景复杂的自然场景文本图像时,仍然是一项具有挑战性的任务。针对自然场景中密集文本检测受限、漏检的特点,设计了一种基于改进的Dense Net网络的文本检测方法,首先,采用可变形ROI池代替平均池化层改进Dense Net网络作为特征提取网络,实现对不同尺度的文本进行自适应局部定位,然后通过卷积注意模块对多层级图像特征加权,增强文本特征。此外,在特征融合时引入可变卷积代替普通卷积,增加调整卷积核的方向向量,从而使采样网格自由变形,促使卷积核的形态更贴近文本形状。最后,在输出层引入辅助的双向长短期记忆网络,聚集文本区域。该模型相较于已有的方法在ICDAR2013数据集上提高了近1.11%,在ICDAR2015数据集上提高了近1.17%,一定程度上提高了检测的精确率。针对自然场景中密集文本形态多变和弯曲导致识别困难的特点。设计了面向场景图像文本的矫正和识别方法。首先,利用矫正网络矫正场景文本,然后获取校正后的文本,将该文本输入到双分支网络模块,根据提取的图像特征进行融合。双分支模块分别利用Inception V2和可变卷积代替普通卷积,使得卷积核的方向向量可以任意变化,促使在训练过程中卷积核的形态更符合提取特征图中的文本。最后,通过嵌入注意力的双向门控循环单元获取不同权重的文本语义信息。实验结果表明,该模型在ICDAR2013、ICDAR2015和CUTE80数据集上取得了令人信服的结果,尤其在弯曲变形文本CUTE数据集上表现最好,准确率高达89.54%,相比于传统的方法提高近1.9%,该模型可以有效识别扭曲变形的文本信息。总之,本文针对现有的文本检测与识别方法的不足提出了相应的解决方案,在一定程度上解决了场景文字检测与识别的问题。