近年来,得益于移动互联网技术和多媒体技术的快速发展以及人工智能技术的日益成熟,大量的文本信息以图片的形式表现,精确地使用计算机或者边缘设备自动提取图像中的文本信息将进一步有助于智能产业的发展。自然场景文字检测与识别是用于自动检测自然场景图像中的文本并识别出相应文本内容的一项技术,广泛应用于自动驾驶、场景解析、智慧城市等。随着深度学习与计算机视觉的发展,涌现大量与自然场景文字检测与识别相关的工作。然而,这些工作多数是面向中文或英文等语言,基于越南语的场景文字检测与识别却“无人问津”。为此,本文对自然场景中越南文字的检测与识别进行相关研究,具体如下:一、本文提出一种基于边缘注意力的越南场景文字检测方法。在该方法中,针对自然场景中越南文字目标尺度变化较大的问题,本文提出感受野残差块RFRB,采用不同膨胀率的空洞卷积形成丰富的感受野以适应多尺度的越南场景文字目标;考虑到进行越南场景文字检测时需要更鲁棒和丰富的特征,尤其是文字的一些低层特征信息,本文提出多路融合特征金字塔网络MF-FPN,输出的每一个特征图都包含丰富的细节特征信息,更有助于检测变音符号;针对由于背景信息的干扰以及变音符号的影响所导致的误检问题,本文提出Re-Score机制,增加语义序列打分分支,使得目标类别置信度更准确,进而剔除假阳性目标;针对自然场景中,越南文字目标的变音符号与拉丁字母相比形状较小、易被忽略等导致无法完整检测出越南场景文字目标的问题,本文设计边缘注意力机制EAM,通过将预测的目标边缘概率图与预测分支的中间特征相乘形成边缘注意力以引导模型的预测分支更加关注目标边缘,进而精确分割越南场景文字目标。本文通过充分的消融实验和比较实验验证该方法的检测性能。二、本文提出一种基于序列建模特征的越南场景文字识别方法。在该方法中,面对在越南场景文字识别时发生严重的注意力漂移问题以及变音符号在识别时易被忽略的挑战,本文提出视觉特征与序列特征融合模块VSFM,通过利用Bi-GRU在特征图分别进行水平方向和竖直方向的序列特征建模增强注意力图的时序性,进而有效缓解注意力漂移,同时增强变音符号和拉丁字母间的联系;面对待识别字符类别繁多,字符间差异性较小（形近字符）,难以识别的问题,本文设计Enhanced Decoupled Text Decoder,在分类时融入竖直方向的序列建模特征和视觉特征,以进一步增强对变音符号的关注和分类器的字符判别能力。本文通过充分的实验探究VSFM和Enhanced Decoupled Text Decoder的有效性以及本方法的识别性能。