文字作为体现一个国家和民族文化的载体,其重要性不言而喻。通过使用计算机识别真实场景中的文字已经成为计算机视觉领域最重要的研究内容之一。然而现有的场景文字检测与识别算法大都针对于英文、中文等使用人数广泛的语言文字。越南文字作为一种声调语言表音文字,使用人数相对较少但具有代表性。与常见的拉丁文字不同,越南文字的书写中存在6种声调符号标记,使用不同的声调符号表达不同的语义信息,现有算法在检测与识别越南场景文字时还存在着各样的缺陷。因此,本文基于深度神经网络技术,针对越南场景文字的检测算法与识别算法展开了研究。本文提出的算法如下:一、针对越南文字中声调符号区域往往被检测算法忽视的问题,本文在实例分割网络Mask R-CNN的基础上,提出了区域扩展算法。通过模型重用并结合双路注意力机制,使模型可以迭代地检测越南文字中的声调字符区域。针对越南场景文字检测训练数据缺乏的问题,本文提出一种模型联合训练的训练方法,以增强模型在不同场景下提取文字的泛化能力。针对存在用常规非极大值抑制算法不能剔除重复文本检测框的问题,本文设计了一个针对文本区域的过滤模块有效地剔除了冗余检测框。通过对比实验和交叉验证实验证实了本文算法对检测越南场景文字的有效性。二、由于越南文字中存在声调符号,同一字母与不同声调符号的组合会导致字符类别之间差异较小,识别字典库与普通的英文文字相比体量更大,文字识别模型的设计难度也随着增加。对此,本文在CRNN场景文字识别模型的基础上,使用空间注意力机制以增强网络模型对书写差异较小的越南文字的识别能力。针对场景图像中的文本序列同时存在横向排列以及纵向排列的问题,本文设计了一个可以提取两路排列特征的网络结构,在不需要判断场景文字方向的前提下,准确的识别场景文字内容。通过与CRNN进行对比实验,本文提出的越南场景文字识别算法在训练速度,推理速度以及识别准确率上都具有优势。