文字,作为记录思想、承载语言的工具,在人类社会的发展中发挥着举足轻重的作用。自然场景下的文本含有丰富的信息,利用现代化技术获取这些信息可以给人类的工作和生活带来极大的便利。自然场景下的文本复杂多变,与排版标准、分辨率高的印刷文本相比,具有字体多样、背景复杂、分布随意、干扰因素多的特点,用传统的光学字符识别技术(OCR技术)对其进行识别达到的识别率低,不能满足实际使用需求。本文在对国内外自然场景文本识别及深度学习领域的相关文献研究的基础上,提出了基于深度学习的自然场景文本识别方法,以实现自然场景下的文本识别,达到一定的识别准确率和识别效率。本文的主要创新点和研究成果如下:(1)提出了一个卷积神经网络(CNN)和递归神经网络(RNN)相结合的端到端深度神经网络框架。自然场景下的文本识别分为特征提取和特征识别两部分,该模型采用编码器-译码器结构,将卷积神经网络作为模型的编码器,完成特征提取部分的功能。递归神经网络作为模型的译码器,结合前后输入进行识别,完成特征识别部分的功能。将训练后得到的最终模型在4个当下流行且具有代表性的数据集IC03、IC13、IIIT5K、SVT上进行测试。结果表明,所设计的模型算法优越、识别率高,适应于自然场景的文本识别中。(2)在自然场景文本识别的深度神经网络中加入了软注意力机制,位于卷积神经网络与递归神经网络之间。实验结果表明,加入注意力机制可以进一步提取对输出结果有利的特征向量,提高输出准确率。卷积神经网络、递归神经网络和注意力机制结合的自然场景识别模型,能根据单词级别的标注进行训练,不依赖于固定词典,无需对输入图像预处理即可识别,实现了端到端的深度神经网络训练,具有良好的普适性。