近年来,随着计算机技术以及便携式移动设备的迅速发展,包含丰富精确文本信息的图像和视频数量急剧增加,而快速准确地检测和识别出这些文本信息在多媒体检索、机器人导航、人机交互和工业自动化等领域具有广阔的应用前景,因而在学术界和工业界受到了越来越多的关注。而图像文本的字体多变、种类多样、背景复杂,因此图像文本的检测与识别问题仍然未能得到彻底的解决。因此,本文对图像文本的检测和识别方法进行了研宄,主要的工作如下:一、针对维吾尔语图像文本的特点,本文提出了基于通道增强最大稳定极值区域(MSER)和卷积神经网络(CNN)的文本检测方法。为了获取更完整的候选区域,分别对R、G、B三个单通道图像进行通道增强,使得图像文本的附加部分加入到主体部分形成连通域,在每个通道提取MSER区域,合并三个单通道下提取的区域作为文本候选区域。为了快速有效地去除非文本区域,本文参考Le Net-5设计了一个CNN分类网络,充分利用了CNN网络自动获取描述特征的方式,避免了繁琐低效的人工特征提取工作。在测试数据集上本文图像文本检测方法的准确率、召回率和F-值分别达到了0.881、0.872、0.876,实验结果表明本文算法具有一定的鲁棒性和应用性。二、对卷积循环神经网络(CRNN)模型进行了改进,然后用改进的CRNN网络模型对维吾尔语单词图像进行了文本序列识别。本文将数据集中的维吾尔语单词图像用拉丁文形式标注,然后将转录层的解码结果转换成拉丁文字符,最后把拉丁文字符转化成维吾尔语文本序列。改进CRNN网络模型的识别算法在随机合成图像数据集和任意长度图像数据集上的准确率和AED分别为0.864、0.204和0.780、0.492,同时识别结果优于原CRNN网络模型和目前比较流行的Tesseract-OCR识别工具。三、为了满足图像文本的检测与识别任务所需要的样本数据,本文首先收集了各种类型的图像并对其进行了分类、整理以及划分,建立了图像文本检测数据集,该数据集包含386张彩色图像和16683张裁剪图像。为了满足改进CRNN网络模型的训练与测试,自主研发了一个随机单词图像制作工具,建立了一个用于模型训练与测试的随机单词图像数据集,该数据集包含一百多万张大小固定的单词图像,同时建立了一个用于验证模型性能的任意长度单词图像数据集,该数据集包含十万多张任意大小的单词图像。通过上述的研究,本文对图像文本的检测与识别技术都进行了研究,并为图像文本的检测与识别问题做出了贡献。