随着近年来深度学习的发展,人工智能技术越来越多地应用到交通场景中。识别图像中的文本目标,是人工智能技术在交通场景中应用的关键环节,在违章处罚、智能驾驶等相关领域起着重要的作用。但由于自然场景的复杂性,目前的文本识别算法在交通场景图像中效果还不能尽如人意。因此,本文选取车牌和交通标志两种交通场景中的重要文本目标为对象,对场景文本识别技术进行深入研究,构建了完整的车牌识别和交通标志识别算法,主要工作如下:针对车牌识别问题,通过对传统车牌识别算法缺陷的分析,本文提出了一种基于深度学习的车牌检测、文本识别二阶段车牌识别算法。车牌检测中,针对车牌的目标特性,本文对YOLO网络进行了轻量化和添加注意力机制的改进。而文本识别中,针对车牌文本特性,本文在CRNN网络基础上进行了添加空间矫正模块和改进特征提取网络的优化。实验结果显示,本文改进有效提升了模型性能。在测试集上,本文算法的识别准确率和识别速度都达到了超过传统算法的水平。针对交通标志识别问题,本文首先根据传达信息方式的区别,将交通标志划分为符号型和文字型两类。为解决现有研究对文字型交通标志关注较少的问题,本文设计了一种通用的交通标志识别算法,算法分为交通标志检测、文本检测、文本识别三阶段。交通标志检测阶段,本文使用YOLOV3网络定位和分类图像中的交通标志。在文本检测阶段中,针对面积较大文本的误检测问题,本文对DBNet网络进行了扩大感受野的改进。文本识别阶段中,为实现竖直文本识别,本文通过在CRNN基础上添加预处理环节的方法,构建了多方向文本识别算法。针对训练数据不足的问题,本文还提出了一种文字型交通标志的图像合成算法。最后,由于缺少文字型交通标志的标准数据集,本文建立了Traffic Sign＿ch数据集用于实验。实验结果表明,本文所提出算法在两种类型的交通标志上都取得了较好的识别效果。尤其是对文字型交通标志,文本检测和文本识别的性能均超过了通用场景文字识别算法。通过针对性的改进策略,本文所设计算法在车牌识别和交通标志识别场景中达到了较为理想的性能指标。