文字是与社会生活息息相关的感知信息来源,相较于观感图像中的其他内容,文字包含着更精简的语义信息。随着5G技术与深度视觉网络的发展与革新,各种新兴人工智能的应用环境与生活交织融合,PC端的自动图像处理系统正逐步向智能终端设备转移,带有文字信息的图像数据资源呈现出爆发式增长,从海量的图像载体中检索目标文本信息成为炙手可热的研究方向,对图像文本信息进行自动识别和提取也具有广泛的商业需求和应用前景,鉴于证件图像作为身份认证、医疗健康、业务办理、人口普查等事务中普遍使用的证据文档,本文研究了一种适于移动终端的证件图像检测与文本识别方法。主要内容包括两部分:（1）证件图像检测与矫正方法。移动端所拍摄的证件图像检测校正往往受背景环境、拍摄角度、相机分辨率以及光线干扰等因素的影响,通常具有成像质量差、文本畸变、不定角度倾斜、文字不清晰等特点,这些特点成为影响系统性能优劣的不确定因素,针对拍摄图像所存在的问题,本文提出了一个简单且鲁棒性强的适于移动终端的证件图像检测与文字识别方法,通过前景分割、轮廓提取、拟合直线、寻求角点、仿射变换一系列图像处理方法提取证件并矫正,测试表明,本方法具有良好的鲁棒性,可确保校正后图像文字不失真、不形变,对后续识别过程的准确率提升效果显著。（2）基于Transformer的证件图像无检测识别。现存的文本识别模型需要依赖检测和识别两个过程,且需借助复杂的网络结构、大量的文本框标注及训练集来提高识别准确率,使得网络模型计算量大、复杂度高,且容易产生累积误差。为了解决以上技术问题,本文在Transformer的模型架构上进行了改进,加入全局上下文模块以及提出可学习的二维位置编码,通过嵌入图像特征图的位置编码,将不同子空间的特征表达直接连接到序列解码器中,本文模型能并行训练并可快速收敛,通过将特殊符号插入到文本标注中,可直接得到结构化的字段数据并自动归档。根据身份证的实验结果,本文的网络模型在性别、民族、出生年月、身份证号码条例上识别率达到了98%以上,且相较于原Transformer基准,姓名和住址条例的识别率达到了86.1%、98.8%,分别提升17.7%、8.5%。本文提出了一个简单且鲁棒性强的适于移动终端的证件图像检测与文字识别方法,通过图像分割与矫正方法提取图像中证件并进行矫正,再对校正后的图像进行文字识别。测试结果表明,本文方法在移动终端拍摄的证件图像识别中表现出优越的性能。