自然场景中的图形符号不仅存在于设计图纸、考卷中,还存在于道路指示牌、广告牌等场景中。目前,图形符号的检测与识别已成为计算机视觉领域越来越重要的分支,随着计算机的快速发展,从传统的图像算法到利用深度学习进行检测,图形符号的检测与识别的处理方式日新月异。在人们的日常生活和工作中,越来越多应用了图形符号检测和分类识别技术的相关产品也应运而生。简单地说,图形符号的检测与识别其目的是智能获取场景中相关信息,即通过对图像信息进行分类处理,获得感兴趣目标的位置及类别。本文主要针对自然场景中的图形符号进行研究,目的是能够对其进行准确的定位、分类和识别。本文主要研究及工作内容如下:1.研究了图形符号的特征提取,主要特征包括图形符号的自然特征（如颜色特征、形状特征、纹理特征等）、频域特征、笔画特征等,并且对每种特征都阐述了相应的原理、算法及结果分析,然后介绍了特征选择方法,为后续的图形符号检测、Layout模式建立、分类识别做准备。2.研究了传统的图形符号检测方法和基于深度学习的图形符号检测方法。首先对传统的检测理论进行介绍,并对于几种经典理论选取了代表性的方法进行仿真和分析。然后介绍了具有代表性的两种基于深度学习的图形符号检测方法（EAST、DB）,并进行仿真和分析。在联合方法中,增加图像去噪、增强模块,并对其骨干网络进行了更改和改进,使其能够实现图形符号的检测。3.研究了图形符号的聚类和符号切割方法,在机械图中图形符号检测和提取的实际应用中,提出了Layout模型建立的方法,该方法利用DBSACN实现粗聚类和细聚类,并利用字符的定向生长实现Layout模型的建立。并在分类识别前进行符号切割方法上,提出了一种基于包围圆的切割算法,实验结果表明该方法具有较好的切分效果。4.研究了传统和基于深度学习的分类识别方法,如MLP、SVM、VGG、ResNet等,对它们的原理和所用参数进行了介绍。针对不同的数据集进行实验和分析,并对VGG、ResNet算法进行改进,通过实验结果可知,改进后模型的识别速度有所提升,针对手写数字的识别,联合方法的识别准确率提高了5%。