文本检测与识别的相关工作在我们的日常生活中随处可见,如身份证识别、停车场的车牌识别等,极大地方便了人们的生活。不同应用场景下文本内容形态多样,尺度差异较大,语义背景也往往不同,需针对性地设计检测与识别算法以取得更好的实操效果。本文基于民国报纸标题检测与识别这一具体中文场景任务展开,该工作有利于将纸质报纸转化成能检索能查询的数字馆藏,进而挖掘其史料价值。我们对基于深度学习的文本检测与识别工作进行研究,针对民国报纸的特性对现有算法做出改进,并提出以下民国报纸标题检测与识别方案。民国报纸原图受拍摄环境、摄影师技术水平等影响,其多含有大量黑白边,且可能有一定程度的倾斜。这不仅增加了不必要的存储消耗,也影响数字阅读体验。本文提出围绕直线检测算法和投影法展开的版面分析方法,根据民国报纸场景特性编写一系列启发式规则,设计了包含倾斜校正和黑白边去除在内的预处理操作模块。在标题检测阶段,本文采用并改进了单阶段无锚框检测器EAST。EAST模型推理较快,其无锚框的特性省去了在新任务中重新调整锚框尺度和比例的繁琐工作,利于模型的部署、迭代与推广。民国报纸使用的印刷体繁体字结构复杂,字体变形丰富,因此本文改进了EAST的特征提取器以学习更具区分度的图像表征。另外,损失函数的设计对模型性能影响较大,我们对其也做出相应改进,使EAST在民国报纸场景下取得了更优的检测效果。在标题识别模块本文使用了CRNN模型以合理利用视觉信息和标题序列中存在的语义信息。因民国报纸识别数据集训练样本少,本文生成了大量贴近真实场景的假数据来缓解这一情况。考虑到民国报纸标题有竖版与横版两类,两者的语义方向不同,而CRNN因其架构特性只能处理某一固定的语义方向,我们提出使用双模型来完成标题识别任务。本文通过实验验证了上述方法及其改进的有效性,这些研究内容对于其他场景下的中文文本检测识别任务也具有较大的参考价值。