文字是人类文明的产物,蕴含着准确且丰富的高层语义信息,传达人类的思想和情感,是人们交流、信息传递和互动的主要方式之一。自然场景文字检测与识别任务,也可称为场景文字提取,其目标是从自然场景图像中获取文字信息,包括文字区域的定位以及文字内容的识别。由于场景文字检测与识别技术在实际应用中发挥着重要作用,例如实时翻译、自动驾驶、图像检索等,如何准确并且高效地从场景图像中提取文字信息一直以来都是研究的热点。早期场景文字提取采用级联的框架,由独立训练的场景文字检测模型和场景文字识别模型构成。近年来,随着深度学习的兴起,基于多任务学习的端到端场景文字检测识别框架成为研究的主流。和传统的扫描文档光学字符信息提取相比,场景文本因其图像的采集方式较为随意以及文本形式变化多样等原因,面临着更多的挑战。本文根据自然场景图像的特点,对端到端场景文字提取技术展开研究,取得了以下研究成果:首先,提出了一种空间注意力增强的端到端场景文字提取网络。现有的端到端场景文字提取模型,识别分支由于没有充分利用特征图的空间信息,导致倾斜文本以及不规则文本识别效果较差。同时,由于自然场景图像背景多元复杂,对检测以及识别都造成一定的干扰。本文提出的模型,在现有基于自注意力机制的文字识别模型基础上,使用二维注意力机制构建文字识别分支,充分利用二维文本图像特征图的空间分布信息。同时,针对倾斜文本和不规则文本特征图存在较多背景信息干扰的问题,本文提出一个空间注意力增强模块,将前景背景信息融合到识别分支的注意力计算中,提升识别分支对于文本和非文本区域的区分能力。实验表明,二维注意力识别分支和空间注意力增强模块有效提升模型对倾斜文本和不规则文本的信息提取能力,并且在主流数据集上的测试结果整体优于当前最好模型。其次,提出了一种基于教师-学生模型的端到端场景文字提取框架。在倾斜文本和不规则文本特征图存在较多背景信息干扰的问题上,提供另外的解决思路。针对第一个研究点空间注意力增强模块依赖前景背景预测的局限性,本文利用知识蒸馏的思想,在文字识别分支上构建教师-学生网络模型,教师模型通过利用前景背景的标签信息进行空间注意力增强并在训练阶段指导学生模型进行优化使其隐式学习到背景抑制的能力。在测试阶段,只需保留学生模型进行预测。实验表明,本文提出的基于教师-学生模型的端到端场景文字提取框架能够有效提升识别分支对于背景的抑制能力,在不依赖显式的注意力增强前提下,性能也能达到第一个研究点的水平。