随着科学技术的飞速发展及相关硬件设备的迭代更新,人工智能在人类的生活实践等诸多方面中得到了大量的应用。深度学习的提出,使得人工智能技术在计算机视觉领域得到了突破性的发展。文字文字识别任务在深度学习技术的影响下得到了极大的推动,而对于模糊文字图像的研究又成为了另一个重要具有挑战性的课题。将重点放在深度学习方法中文本文字识别的图像预处理阶段,文本识别阶段进行设计改进。为提高文本文字的识别准确率,利用传统图像处理方法和生成式对抗网络（GAN）技术对图像进行预处理以及超分辨率重建,模糊图像清晰化。利用卷积神经网络（CNN）技术和图像纠正算法对文字识别模型进行设计,提高识别精度,最终实现对文字图片的优化识别。在单图像超分辨率重建生成对抗网络（SRGAN）的基础上提出RDGAN的新型超分辨率重建网络。该网络改进残差模块引入残差密集模块（Residual Dense Block,RDB）多层次自适应地学习有效图像特征,移除原SRGAN所带有的批量归一化层（Batch Normalization,BN）的同时,添加总变差损失（total variation loss,TVLoss）以约束噪声,提升模型的训练速度和表达能力。在文字识别方面,基于现代的文字识别思想,设计了多目标矫正网络模块（multiobject rectification network,MORN）、深度残差块（Residual block,RB）模组和基于双向门控记忆单元（Gated Recurrent Unit,GRU）的深层循环网络为主干网络,嵌入连接时序分类损失（Connectionist Temporal Classification,CTC）为一体的融合模型。利用文字方位矫正、特殊卷积残差构造、深层Bi GRU设计,使模型在更复杂排布和语义信息下获得更优的识别能力。通过图像数据增广和合成数据的思想和方法,生成具有一定随机性的、不同干扰程度的伪场景文字数据集,并在原有数据集上进行扩充,使得训练得到的模型具有更优秀的鲁棒性和泛用性。将上述超分辨率重建模型和文字识别模型等方法用于模糊文字图像的识别实验中,训练并验证模型对图像识别的能力提升情况。