文本图像识别技术在脱机手写字符识别和具有单一背景、统一字体样式等规范排版的扫描文档识别领域已经得到了广泛部署,而受到噪声、运动模糊、低分辨率、拍摄角度、光照等因素影响的低质量自然场景文本图片的识别仍然是一个技术难点。本文将对低质量的中文场景文本图像识别算法中存在的缺陷展开研究,具体研究内容如下:（1）目前低质量图片的识别问题均倾向从图像重建层面解决,但这种方式没有考虑到模型的鲁棒性与泛化性。所以,本文基于多任务学习机制构建了一个从特征表达层面解决低质量文本识别的网络,超分辨率模块与文本识别模块共同作用能使特征共享层获得更加鲁棒的特征表达能力,并且超分辨率模块不参与网络的推断过程。实验结果表明,本文所提出的网络与SEED、TSRN最新方法相比,低质量场景中文识别的准确率能分别提升16.48%、8.77%,模型表现出的泛化能力更强。（2）超分辨率重建网络常从像素、风格、内容等特征层面构造损失函数,但常会造成图像高频信息丢失、纹理过度平滑的现象,而这类现象并不利于文本图像中字符结构信息的学习。所以,本文利用图像的梯度信息指导特征共享层对字符边缘和字符几何结构特征的学习。重建结果表明,在本文的整体网络设计下,梯度损失函数的加入能使文本识别准确率由69.12%提升到71.25%。（3）更深或更广的深度学习网络往往只能捕获单一尺度的特征,忽略了层间特征的内在相关性。因此,本文利用非局部操作和特征金字塔思想构建了一个基于金字塔式自注意力单元的特征共享层,该模块结合多个尺度的特征映射实现远距离信息的捕获。实验结果表明,金字塔式自注意力模块的加入能使本文算法的识别准确率由70.17%提升到71.25%。（4）在解决中文场景文本识别的问题时,本文为了提升文本识别的准确率和模型并行计算的能力,基于Transformer模型设计了一个特征序列解码器。利用多头注意力机制实现特征权重分配的并行计算与特征融合,使得网络能捕获图像的全局信息,缓解远距离信息丢失的现象。实验结果表明,基于该解码器的文本识别方法与目前常用的基于CTC、Attention的方法相比,低质量文本识别的准确率能分别提升1～2%。