作为计算机视觉应用的重要分支,自然场景中的文本阅读一直以来都是基于深度学习的计算机视觉领域内最受欢迎的热门研究领域之一,在最近十年被广泛的进行了研究。由许多现实世界的应用所驱动,对于助盲系统、智慧交通系统、无人驾驶导航系统等方向均具有实际应用的现实意义由于场景文本的多样性及背景的复杂性,场景文本检测识别目前面临着很多挑战。在自然场景中阅读文本分为文本检测和文本识别两个过程。其与光学字符识别(OCR)并不完全相似,在检测难度、识别精度需求上还存在很大的差别。尤其是在无人驾驶导航的路标信息提取中,对识别精准度要求极高,OCR技术难以实现高准度识别。目前的场景文本检测及识别方法多为基于深度学习的方法,在面对复杂场景时深度学习具有传统方法不可比拟的泛化能力。本文对自然场景的文本检测与识别进行了深入研究,提出了基于YOLOv3的多向文本检测算法,以及基于CRNN的不定长字符识别方法。本文具体研究内容如下:(1)本文提出了一种场景文本图像预处理方法,同时提出了一个长文本子数据集用于长文本检测,以及一个大规模合成中文字符数据集用于中文字符识别。本文使用了 PCA对图片进行了降维,并提出了改进的中值滤波去噪方法。基于RCTW-17数据集提出了一个长文本子数据集,同时模仿自然场景的背景提出了一个合成的中文字符数据集用于文本识别训练。(2)针对场景文本的多方向性,本文基于YOLOv3目标检测算法提出了一种改进的场景文本检测算法。本文根据YOLOv3重新设计了网络结构,增加了长卷积核卷积后的特征融合,以适应文本区域的形状特点进行特征提取。然后引入旋转滤波器替代普通滤波器,提取特征图的旋转信息。同时重新设计了先验框尺寸适应长文本检测。最后并通过坐标补偿进行文本框回归,实现了多向文本检测。(3)本文提出了一种基于卷积递归神经网络的中英文不定长字符识别方法。本文在CRNN的基础上对中文字符特点进行了特征提取网络的改进,通过将池化层替换为步长为2的卷积层实现下采样。并采用双层LSTM模型对文本序列进行预测,提取更为细致的中文字符特征图,同时引入注意力机制实现了局部特征到全局特征的提取。最后引入CTC方法对预测的字符进行转录,实现中英文字符的混合预测。算法分别在公开数据集及本文提出的合成数据集上进行了实验,并对实验的结果及算法的优缺点进行了分析。