现阶段,许多场景文字检测模型和文字识别模型是相互独立的两个网络,无法利用两个任务之间的关联信息,而端到端的文本检测识别网络,可以使两个任务相互促进,具有更高的精度和更快的速度。为了在复杂场景中快速准确的检测并识别出其含有的丰富文字信息,本文主要研究了场景文字检测与识别的端到端模型。内容如下:首先,基于 CTPN（Connectionist Text Proposal Network）算法提出了 一个既能检测较长文本行、又能分离相邻单词的场景文字检测模型。为了提取长文本行特征,本文设计了矩形卷积滤波器。另外将文本行的标签定义为一系列精细的bounding box,这种设计可以很好的分离两个相邻单词,实现更精确的结果,也可以减轻识别任务的负担。实验表明了本文方法的有效性,在ICDAR2013上达到了 94.00%的准确率、83.70%的召回率、88.55%的F度量值。其次,本文提出了端到端共享特征的场景文字检测和识别模型。端到端模型的训练可以使得检测和识别分支相互促进。本文将改进的检测模型作为端到端模型的检测分支,并设计了一个检测和识别共享的基础分支网络。在识别阶段,采用双向长短时记忆网络BLSTM（Bi-directional Long-short Term Memory）融合上下文信息,使得网络对于长文本行具有更好的识别效果,最后使用CTC（Connectionist temporal classification）作为解码器输出网络的识别结果。本文的端到端的网络模型可以识别包括中文、英文、特殊符号等6000个字符。最后,本文提出了单词匹配算法,基于词典修正识别结果,然后对端到端的网络模型进行评价,在英文数据集ICDAR2013上达到93.06%的准确率、84.73%的召回率、88.70%的F度量值,在中文数据集RCTW-17上达到77.95%的准确率,59.18%的召回率,67.28%的F度量值。