对图像中的文字进行提取和识别一直是计算机视觉中一个非常重要的课题,在图像理解、图像检索、自动驾驶等领域有广泛应用。随着深度学习在各个领域的广泛应用,基于深度学习的文字检测和识别算法拥有远超传统方法的性能和效率,逐渐成为该领域的主流。目前很多研究中文字检测和文字识别是作为两个独立的任务,但两者关系十分密切,相互联系并且相互促进,将检测和识别任务融合的端到端识别也逐渐成为一个重要研究方向。本文对不规则文本端到端识别任务进行研究,基于边界点的表示方法提出了两种端到端识别方案:一种方案检测器使用多阶段框架,模型拥有较高的性能;另一种方案中检测器使用单阶段框架,模型的性能与效率拥有较好的均衡。本文首先提出了基于边界点的文字表示方法,该表示方法能够精准、高效地描述不规则文本,同时也有助于不规则文本的识别。由于不规则文本的形状尺度多变,本文使用一个多阶段框架的文本边界点检测器,用于获取文本边界点,然后使用任意形状采样器采样特征,由序列识别器完成识别任务。得益于模型的端到端训练,检测和识别任务的精度均有所提升,模型总体效率更高。和近期的不规则文本端到端识别器相比,本文提出的方法在多个数据集上取得了最好的性能,验证了本文提出的边界点表示和端到端模型的可靠性。为了进一步提升端到端模型的整体效率,本文对边界点检测器和识别器进行优化,提出一个无锚框单阶段边界点检测器,该检测器基于全卷积网络,直接回归文字的边界点,效率大幅提升。通过本文提出的轻量边界点修正器,实现了边界点准确度的提升,从而改善端到端识别的性能。本文的端到端模型在拥有较好的性能同时效率大幅提升,证明了本文方法的有效性。本文提出的方法在多方向文本数据集ICDAR2013、ICDAR2015和不规则文本数据集Total Text、CTW1500均取得了优异的结果,并且在部分指标上取得了当前最好的性能,表明了端到端识别模型的优越性,同时也验证了本文提出方法的有效性。