作为计算机视觉中的热门方向之一,科研人员们在文字识别领域上已经取得了众多显著的成果,并将其广泛运用到真实场景中方便我们的日常生活。目前,虽然传统的OCR技术对于文档文本的识别已经十分成熟,但在自然场景下,由于背景复杂、文字多样,图片文本识别仍然是一项具有挑战性的任务,需要不断地探索和改进。因此,本课题将以场景文本识别作为主要研究内容,针对现存的两大难点提出改进方法。在应用上,本课题则以菜单作为落地点,设计完整的识别流程,并依此实现相应系统,为用户提供面向中英文的文字识别及翻译服务。针对场景文本识别的研究及应用,本论文主要涵盖以下工作:（1）为解决不规则文本场景和注意力漂移的问题,本课题提出了基于深度学习的场景文本识别算法DMDAN。首先,模型利用可变形卷积来增强对不规则文本的适应能力。然后,在编解码过程中分别采用混合域注意力和自注意力机制,有效地缓解了注意力漂移带来的影响。最后,结合中心损失来减小类内距离,使各类字符特征更易于识别。通过对比实验,证明模型的效果提升明显。（2）搭建面向特定领域的场景文字识别流程。首先使用VGGNet-16模型进行文本方向检测,将图片矫正至水平方向;然后通过CTPN模型进行文本检测,定位出图片中的文本区域;接着采用DMDAN模型进行文本识别,提取出图片内的文字;最后在seq2seq模型中引入双向解码器和dropout机制进行文本后处理,检测并修正文本中的字词错误。其中,在文本后处理阶段,为满足场景需求,本课题人工构建了一个相关数据集。（3）在上述识别流程的基础上,本课题设计并实现了面向中英文菜单的文字识别及翻译小程序,验证了论文研究和设计工作的正确性和有效性。