目前,MOOC(Massive Open Online Courses)大规模开放在线课程已经吸引了大量的人前来学习,同时也激发了许多研究者的兴趣,如今关于MOOC的研究主要集中在数据分析,例如退课率、通过比例和考试分数预测等。然而大家对MOOC视频本身的研究却很少,视频中的文字作为信息的主要载体,如果我们可以准确且高效地识别它们,这将对MOOC视频的检索、视频内容概括和视频分类等任务非常有帮助。文档文字,即存在于各种文件和书籍中的文字。因为它们背景简单且字体单一,所以目前关于文档文字的识别任务已经得到很好地解决和应用。场景文字,也就是存在于自然场景中的文字,包括招牌、包装和路牌等。由于其字体、尺度和背景多变等复杂因素的存在,场景文字的识别是一项比较有挑战性的任务,识别难度远大于文档文字。目前许多研究集中在场景文字的识别,但是类似于MOOC视频中的文字,它们的复杂程度介于两者之间,却很少被研究。文档文字的识别方法过于简单,因此无法满足MOOC文字识别对准确率的要求。因为场景文字的识别方法过于复杂且需要大量的计算,所以无法满足MOOC文字识别对速度的要求。因此,围绕MOOC视频中的文字检测与识别过程我们开展了一系列研究:(1)本文提出了一种快速的文字检测算法。首先,引入了基于裁剪的最大稳定极值区域(MSER)的候选字符检测算法,然后在算法流程上,不同于已有的算法,我们采用行级别的字符聚类算法替代传统的分类器对候选字符进行分类,因为这样可以减少整个算法流程的计算量。(2)为了更准确率地识别文字,本文采用了基于深度学习的方法构建MOOC文字识别网络。该网络由CNN与RNN组成,卷积神经网络(CNN)用于提取图像中的空间特征,递归神经网络(RNN)用于解决文字之间的上下文关系,即捕捉时序特征。该方法可以实现较高的准确率,但是存在识别速度较慢的问题。(3)为了解决上述识别速度问题,本文从设计精简神经网络的角度出发,提出了三种基础的原语操作,基于它们重新搭建了上述文字识别网络。实验证明,该识别网络在几乎不损失准确率的前提下,可以实现更快的识别速度。基于上述的研究,本文提出了一套面向MOOC视频的快速文字检测与识别算法,为MOOC视频内容的进一步研究奠定了基础。