在大数据和深度学习发展的推动下,文本图像识别对人们的日常生活产生了重要的影响。本文围绕文本图像识别任务,在基于编码器-解码器的文本图像识别模型的基础上进行研究并加以改进。具体来说,在编码阶段分别采用基于注意力机制的特征提取模型和基于时序卷积的模型来完成视觉特征的提取和特征序列的建模;采用基于多层次特征的聚合机制来聚合不同层次的信息;解码阶段利用启发式局部注意力机制完成字符序列的解码。首先,文本图像的视觉特征在文本图像识别任务中扮演着重要的角色。因此,本文采用了基于通道-空间注意力机制的特征提取模型来抽取文本图像的特征。其中,通道注意力（channel attention）和空间注意力（spatial attention）模块分别在特征的通道层面和空间层面增强文本图像的视觉特征。实验证明,基于通道-空间注意力机制的特征提取模型有利于提升识别模型的性能。其次,本文采用了基于时序卷积网络（Temporal Convolutional Network,TCN）对特征序列进行建模。TCN不同于传统循环神经网络,它不仅能对序列特征并行处理而且可以通过残差结构来处理信息梯度消失和爆炸问题。TCN在每一层内的参数是共享的并且不需要保存每一时间步的信息。同时,TCN有更灵活的感受野,可以根据不同的任务场景,设计不同的层数、卷积核大小以及扩张系数来满足不同的需求。然后,本文利用多层次特征的聚合机制捕获了不同层次的视觉特征来增强现有的基于编码器-解码器的图像文本识别的标准架构。现有的方法仅仅使用了最深的视觉特征进行时序的建模,但不断扩大的感受野会导致特征向量间的关联退化,因此本文利用多层次特征聚合机制来提升模型的性能。最后,利用基于启发式局部注意力机制的解码器来完成解码过程。对于文本图像识别任务来说,最重要的是获取与当前时间步字符最相关的特征。因此,本文尝试了现有的多种局部注意力方法,并提供了完整的对比结果。此外,受现有局部注意力机制的启发,本文提出了两种基于启发式的局部注意力机制,并通过大量的实验证明基于启发式的单调局部注意力机制取得效果最好。