文字是人类文明的基石,也是人类社会实现沟通交流最重要的载体。场景文字是自然图像中的文字,如路牌、店铺门面等。对场景文字识别是计算机视觉研究的重要问题,如无人驾驶。然而,场景文字在图片质量、排列、字体、尺度、颜色等方面非常复杂,现有的基线模型存在识别的准确率不高,运算速度慢的问题。本文基于CNN、GLU、BiGRU等深度学习算法,围绕场景文字识别问题进行一系列的研究:(1)构建一种端到端可训练的文字识别神经网络模型GCBA,本模型基于编码器-解码器框架,在编码部分采用多层卷积神经网络,引入非线性门控单元GLU兼顾上下文信息的提取;译码部分选用BiLSTM进行解码,同时引入注意力机制提高识别准确率。通过对ⅠC13、ⅢT5K和SVT数据集进行实验,验证了本模型在场景文字识别的准确率分别达到了91.7%、85.7%和83.8%,得到明显提升。(2)对CRNN+CTC模型进行改进,选择采用BiGRU来进行编解码,获取更多上下文特征,通过对ⅠC13、ⅢT5K和SVT数据集进行对比实验,验证了在测试集上改进后的模型与GCBA模型相比准确率下降2.2%的前提下运行速度得到74ms的提升,同时其准确率依然高于基线模型。(3)利用训练好的文字识别模型研发了一个可视化的交互式自然场景文字识别系统。运用HTML、CSS和JavaScript等技术,实现简单的自然场景文字识别功能,用户可以上传图片直接从系统中识别出文字内容。