随着因特网、通信技术、智能手机行业等的飞速发展,视频的获取和传输变得极为便利。同时视频本身具有信息量丰富、观看舒适等优势,种种因素使得视频取代传统媒介成为最流行的媒体。目前上传、下载视频十分方便,线上视频的数量急剧增长。随之而来,如何从海量视频中高效地索引,检索和定位想要的视频内容成为了当下的热点问题。与低语义层级的感受信息(如纹理等)和其他高级语义信息(如视频中人物活动等)相比,视频中的人工文本能够更加直接、准确地描述视频内容。而且,通过对视频文本的分析可以帮助检测违法视频。提取视频文本的关键技术包括在复杂背景下准确地发现、确认和识别多语言、多字体的文本。在本文中,我们提出了一个新颖的结合了角响应特征图和迁移深度卷积神经网络的方法来检测和识别视频文本。首先,我们利用角响应特征图以高召回率找出候选文本区域;其次,我们利用两种投影分析方法将候选文本区域划分成候选文本行;然后,我们利用迁移学习,根据VGG16,ResNet50,InceptionV3构造真假文本行判别网络来去除假阳性样本;最终我们提出一个新颖的基于模糊C均值聚类的分离算法从复杂的背景中提取出干净的文本层送入商用光学字符识别软件进行准确识别。三个公开数据集和我们构建的高分辨率数据集上的测试结果表明本文提出的方法具有高性能和鲁棒性。