文字是信息传播的重要载体,图像是文字的一种重要表现形式。在互联网智能化发展的大趋势下,图像文字识别任务扮演着重要的角色,具有重要的研究和应用价值。在识别任务中,与一般物体不同的是,文字具有其语言属性,主要体现在语义特征和文本字符的先验分布上。不均衡的文字语义分布和不均衡的字符频率分布都会给文字识别带来挑战。本文针对这两个问题,展开了如下研究:1)针对识别模型容易产生词库依赖性的问题,提出了视觉-语义特征解耦的文字识别模型。传统的基于注意力机制的识别模型存在视觉和语义特征的耦合问题,其语义特征只能从训练集包含的词库中学习得到,并且解码过程是单向的,导致语义的学习不够准确。本文将解码过程中用到的视觉和语义特征放在两个独立的分支上进行学习,针对语义分支还设计了一个自监督的词语纠错预训练任务,以获取更加广阔的语义先验知识。语义解码器得到的字符语义特征更加准确,一方面作为查询向量来计算字符特征对齐的注意力权重,另一方面丰富了字符特征的表示。整个模型可以进行端到端训练。在少样本少语料的训练设置下,识别表现尤为突出,很大程度上解决了词库依赖性问题。2)针对文本字符频率分布的不均衡问题,提出了一个多分支对抗学习模型,借助合成的均匀分布的单字图片,去改善字符分类器的学习,以使得模型在保持头部数据识别性能的同时,尽可能多地提高尾部数据的识别精度。其中的文本行学习分支负责处理文本行图片,字符学习分支负责识别单字图片,它们共享字符级别分类器,以达到均衡分布的字符数据促进分类器学习的目的。此外,还设计了一个对抗学习分支,去约束文本行视觉特征和字符视觉特征尽可能服从相同的特征分布,有利于分类器在文本行和字符学习分支之间的互动学习。本文作为第一个研究长尾分布下文字识别问题的工作,还提出了一个新的大规模、字符频率分布严重不均衡的中文文字识别数据集,并从字符不均衡分布的角度给出了新的评价指标。基于上述研究,本文提出的两个图像文字识别方法很大程度上缓解了文字的不均衡先验分布带来的一些识别问题。实验结果表明,这两个方法与当前主流的基准文字识别方法相比具有一定的创新性和先进性。