自然场景图像中的文本检测与识别是计算机视觉中的重要研究方向之一。这项研究可以应用于不同行业和不同领域,具有广泛的应用前景,例如车牌识别、多语言翻译、街景数字化、图像检索等。近年来,研究学者们的研究已经取得了一定的突破,并且搭建了一系列评估数据库。然而,由于图像场景多变、文本多样等因素,在场景图像中进行文本检测与识别仍然存在诸多挑战。另外,现有数据库的图像数量规模小,并且图像内容不能真实反映日常场景,因此亟待搭建一个更具挑战性的数据库。围绕着自然场景图像中的文本检测与识别的内容,本文主要工作如下:(1)搭建了一个用于场景文本检测与识别的文本数据库,命名为街景2000数据库(Street View 2,000,STV2k)。本文搭建的数据库图像数量多、标注全面、具有挑战性。数据库中的图像真实体现日常场景,在对比度、方向和物理外观等方面具有多样性。经过对比,本文搭建的数据库在图像数、中文类别数、字符数上是现有数据库中比较好的。分别利用文本检测和文本识别方法在本文搭建的数据库上进行实验。结果显示其性能表现比较差。数据库公开之际,已经提供给微软亚洲研究院、中科院自动化所和厦门大学的相关研究学者进行学术研究。(2)提出了一个基于笔画宽度变换与卷积神经网络的场景文本检测方法。本文检测方法的基本思想是利用笔画宽度变换算法获得的低层特征与基于卷积神经网络获得的高层特征相结合来进行场景文本检测。检测方法在ICDAR 2003数据库、多语言数据库以及我们搭建的STV2k数据库上进行实验对比。通过实验结果显示,本文提出的文本检测方法检测性能良好,并且在运行速度上具有较强的竞争力。