随着互联网技术的飞速发展,计算机视觉内各个分支领域获得突破性进展,特别在图像检测,目标跟踪方向,结合卷积神经网络的图像特征提取能力,已经获得了优异的成绩,在文字识别提取方向,深度学习与传统图像分析的结合使用使得图像语义分析方向也有很大进展。本论文中设计了一套完整的视频文字识别的架构,结合图像文字检测技术,视频关键帧提取技术以及多语言文字识别技术,实现了视频内部自然场景及人工添加文本的提取与识别。其中,文字检测技术采用了YOLO与PixelLink相结合的方法,两者原理可以互补,对检测性能略有提升,另外,视频关键帧处理技术中使用了文字区域作为关注重点,结合聚类算法与像素点等逻辑对帧画面的重复信息进行压缩筛选。最终,利用卷积循环神经网络实现对中文,英文,数字等字符的识别功能。在分别验证完各个模块的功能以后,结合了三个模块,实现了视频内文字的识别功能。