随着网络通信、数字媒体技术和人工智能的飞速发展,产生了大量的数字图像资源。目前,对这些丰富多彩的图像资源进行分析,并提取有价值的信息是计算机视觉领域的研究重点。因为自然场景图像中的文字都含有丰富的语义信息,可以帮助人们更好地沟通和学习。因此,对自然场景中的图像和视频中的文字进行检测与识别具有十分重要的意义。本文重点研究了自然场景图像中的文本检测算法。首先介绍了场景文本检测领域的研究背景和国内外研究现状,然后对当前流行的文本检测模型进行重点介绍与分析,并详细讨论了文本检测模型的评价标准。在通过检测算法得到文本区域的基础上,本文还对经典的文本序列识别算法进行了分析与实现。针对自然场景图像中的文本检测和识别算法准确率较差的问题,主要的研究内容如下:(1)论述了现有的端到端文本检测模型EAST,分析了EAST模型存在的不足,改进了EAST检测模型的网络结构,利用Refine Net结构融合特征,解决了EAST模型因感受野的限制而无法完整检测长文本的问题。其次,调整了模型的损失函数Loss,改进了数据集样本权重不均衡的问题,提升了文本检测的精度。同时,使用Res Net50作为基础网络,提高了模型在复杂场景中的鲁棒性。(2)研究了场景文本识别的相关问题,采用改进的CRNN识别算法对文本区域进行识别,使用Dense Net模型作为卷积层,并重点识别中文文本。同时针对自然场景图像中非水平方向的文本,使用仿射变换操作调整文本方向,提高了文本识别的精度。(3)将改进后的场景文本检测算法和文本序列识别算法在不同的文本数据集中进行了验证和对比。实验结果表明,本文所提出的自然场景文本检测和识别算法能够高效、准确地检测文本的位置,在面对复杂的场景时也具有良好的鲁棒性。与其他文本检测和识别方法相比,速度和算法准确率都取得了不错的结果,具有很重要的理论研究和使用价值。