随着计算机视觉的发展,自然场景下的文本定位已被广泛应用于工业自动化、无人驾驶、实时翻译等众多领域。但由于自然场景的文本背景复杂多变,文本尺度变化较大,现有的定位方法存在感受野不足,特征融合效率低下等问题,定位精度仍有提升空间。针对以上问题,本文在基于回归的定位方法基础上,引入自适应特征融合机制并改进网络感受野,进一步提出了基于Transformer主干的定位网络,实现了场景文本定位识别系统。本文做出的研究工作如下:（1）提出了一种基于改进感受野和自适应特征融合的场景文本定位网络,以提高对于极端长宽比和多尺度文本的定位准确率。首先在主干网络中引入密集连接的空洞卷积模块,以更加密集的采样点获取多尺度信息,同时通过具有不同扩张率的空洞卷积提升网络感受野,弥补由于感受野受限而造成的高级语义信息的丢失;在特征金字塔阶段,引入自适应特征融合模块,对不同尺度特征赋予空间权重,通过学习自适应地调整特征融合时的尺度信息,以保持特征的尺度不变性。实验结果表明,本方能有效提高对于极端长宽比和多尺度文本的定位准确率。（2）提出了一种基于Transformer主干的场景文本定位网络,该方法将Transformer结构引入文本定位任务中,以增强文本特征之间的长距离依赖关系,从而提高定位精度。设计了一种基于Transformer-CNN的编码解码结构网络,使用多个堆叠的Transformer编码器对文本图像进行特征提取,捕捉长距离依赖以获得全局感受野;摒弃传统的特征金字塔网络,引入深度可分离卷积解码器融合局部特征并减少参数量。实验结果表明,本方法提高了文本定位的准确率,验证了Transformer对于文本定位任务的有效性。（3）以本文所提文本定位方法为基础,设计并实现了一个场景文本定位识别系统,分别从系统的可行性分析、总体设计和功能设计阐述系统设计过程,使用QT作为系统搭建工具,Python作为模型训练语言,My SQL作为数据存储软件,有效将所提方法转化为实际应用。