自然场景下的文本检测识别技术,在无人驾驶、智慧交通等领域有广泛应用,相较传统文档识别,自然场景下的文本背景复杂、分布散乱,检测难度更高。为进一步提高检测识别的精确性和速度,本文提出了一种基于深度学习算法的端到端的文本检测识别方法,采用卷积神经网络和双向循环神经网络的组合结构作为特征提取网络,充分提取文本序列特征。通过共享特征提取网络及联合训练损失函数,将检测与识别模块紧密结合,进而在输出端直接获取文本的定位与类别信息。本文的研究内容分为文本检测和文本识别两部分:(1)文本检测采用基于候选框思想的方法,结合文本的分布特征,对比分析几种常规目标检测算法的性能,最终选择在YOLOv3的基础上进行改进。对网络结构进行改进,并调整损失函数,在训练过程中添加文本框的角度信息,实现了对任意角度文本的检测。候选框的筛选采用面积交并比和重合度的组合判断方法,进一步提高文本区域边界框回归的精确度。(2)文本识别采用基于序列的方法,网络采用融合注意力机制的编-解码结构,弥补编-解码结构对于长文本序列识别效果较差的缺陷,从而能够更好地利用文本序列的上下文信息。编码网络共享检测部分的特征提取网络,解码网络采用常规的LSTM网络结构。在多个标准数据集进行训练,调整网络参数,最终实验结果表明本文改进的算法网络在多个评价标准上性能优秀。检测速度可达16帧每秒,最高识别准确率为86.47%。与相关经典方法的结果数据对比,进一步说明本文改进的算法网络更具合理性和有效性。