文本作为人类信息的重要载体,在人们平时生活当中扮演着十分重要的角色。快速检测识别出各种生活场景中丰富多彩的文字,能够帮助人们更好地理解场景信息,能更便捷地提供各种服务。这项技术在交通安防,区域定位,灾后搜救,盲人辅助等领域均有广泛的应用。它作为一些高级智能应用的基础,拥有较高的研究价值与意义。近年来由于各类卷积神经网络的飞速发展,文本检测与识别技术也有了的很大进步,但由于自然场景文本图片质量高低不一,拍摄角度多变,文本背景复杂,形状大小各异等问题,使这项技术仍具有相当大的挑战。本文对目前存在的技术问题与难点进行了分析,在英文文本检测与识别任务上分别说明了相应的改进思路。针对深度学习中对自然场景图像中任意形状文本检测准确率不高的问题,本文提出了一种结合特征金字塔网络（Feature Pyramid Network,FPN）和内核尺度扩展算法的文本检测网络模型。FPN网络能够分别从不同的卷积层中提取特征,并在相对应的层进行融合,融合后生成不同尺度的特征内核;内核尺度扩展算法将生成的特征图按从小到大的顺序逐渐扩展为包围完整文本实例的特征图。同时在训练阶段加入了在线难例挖掘（Online Hard Example Mining,OHEM）的方法,并以迁移学习的方式采用两种不同训练策略进行训练,在ICDAR2015数据集上F-mmeasure达到了86.01%。为了准确识别自然场景具有高度形变、排列不规则的文本,本文提出一种基于文本矫正网络TRN（Text Rectification Network,TRN）和注意力编解码器网络ADN（Attention Decoder Network,ADN）的文本识别算法,其中TRN网络主要负责将自然图像中检测到的扭曲文本矫正为水平文本,然后通过ADN网络对已经矫正后的水平文本进行识别。本文在一致的训练和标准数据集下,从识别的准确性、速度和内存需求等方面进行了对比实验,在四个标准数据集上平均识别准确率达到了84.0%,并分析了该算法模型各模块的性能和优势。