从图像/视频中读取文本对于图像识别/检索、地理位置、办公自动化和帮助盲人等丰富的现实应用具有重要价值,因为场景文本包含了解世界的非常有用的语义。近年来,在场景图像中阅读文本已经成为一个活跃的领域,场景文本阅读提供了一种自动快速获取自然场景中文本信息的方法,通常分为场景文本检测和场景文本识别两个子问题。得益于深度神经网络的强大表现力,场景文本检测与识别取得了显著的进展。本文主要基于深度学习的场景阅读方法,设计了一套端到端的场景文字阅读系统Mask Reader,主要用于检测和识别图像中的英文和数字。本文主要工作如下:(1)基于Mask R-CNN,我们通过实例分割解决了文本检测的问题,以便可以检测任意形状的文本。(2)本文设计并证明使用金字塔注意网络(PAN)作为Mask R-CNN的新骨干网络显著增强了Mask R-CNN的特征表达能力。(3)Mask Reader是第一个完全可端到端训练的文本框架,它具有简单,平滑的训练方案,因此其检测模型和识别模型完全受益于特征共享和联合优化。与以前的只处理水平或定向文本的定位方法不同,该方法可以对任意形状的文本进行定位,包括水平,定向和弯曲文本。(4)此外,本文还提出了一种空间注意模块(Spatial Attention Module,SAM),以提高系统的性能和通用性。由于在检测和识别两个方面都采用了所提出的二维表示,它可以方便地处理不规则形状的文本实例,例如曲线文本。(5)本文在多种数据集上对提出的方法进行了验证,以证明其鲁棒性。结果表明,在这些数据集上的文本检测和文本检测中,都达到了较先进的性能。