图像承载着多种信息,数据量巨大,现在人类获取信息的途径中,图像是一种重要的渠道,但能够快速理解图像信息就要辅助图像文字。因为图像文字可以直观反映图像含义,解释图像内容,为图像理解节省大量时间,避免了冗余信息等干扰,所以图像中文字的识别对于快速理解图像内容具有重大意义。针对自然场景下图片文字干扰信息多,样式复杂多变,排列无规律等特点,提出应用预处理技术的CNN、LSTM特征融合的文字识别算法。首先,对图像进行PCA降维和RP随机投影处理。然后,用CNN网络从底层图像像素中获得高层抽象视觉特征,并利用CNN网络的局部感知特性建立起高层特征与底层像素的空间关系,然后利用双向RNN模型的LSTM网络来进行长短期记忆模块捕获图像全局特征。最后,利用注意力机制递归序列生成方法进行文字定位识别,得到图像文字识别结果。实验就图像特征维数、CNN隐含层数、预处理策略对图像文字识别率的影响进行了研究,分析实验结果确定了特征维数、CNN隐含层数和预处理结果的融合策略。在ICAND图像库上确定深度学习隐含层数为17层,特征维数为45,预处理融合系数为0.6:0.4,识别率最高达到97%。实验就传统OCR算法、卷积神经网络特征提取算法与论文算法设计对比试验。在ICAND图像库,隐含层数为17层,特征维数为45,预处理融合系数为0.6:0.4的确定参数条件下,得出论文算法具有最高准确率为97%,表明论文算法具有良好特征表达能力。在ICAND库、IIIT5K库、CHARS3种不同图像库上设计了算法鲁棒性的验证实验,在隐含层数为17层,特征维数为45,预处理融合系数为0.6:0.4的确定参数下,经注意力机制递归序列生成方法得出识别结果,识别率均在94%左右,换库实验表明论文算法具有良好的鲁棒性。在ICAND库、集成显卡、单机模式、固定参数的条件下对应用预处理算法与CNN算法设计对比实验验证算法的有效性,预处理算法识别率为98%,比CNN算法高44%且运行时间减少,表明应用预处理的算法具有良好的有效性,提高了处理效率。论文在研究了算法的鲁棒性与有效性的基础上,为检验算法的抗干扰能力,设计了算法在光照不同,有无遮挡物,字体是否规整三种情况下在ICAND库上的对比试验。光照强度不同情况下,本文算法识别率为98%,比CNN算法高44%,运行时间为132s,缩短了20倍;有遮挡物的情况下,本文算法识别率为98.05%,比CNN算法高50%,运行时间为64s,缩短了14倍;字体不规整的情况下,本文算法识别率为98.55%,比CNN算法高40%,运行时间为74s,缩短了16倍。验证了论文算法在不同干扰下都能保持良好的检测效果,具有良好的时效性。