随着计算机技术、通信和多媒体技术的飞速发展,在大数据时代的今天,视频资源越来越多样化,从海量的丰富的视频中提取有效的信息变得越来越重要,并且成为了研究热点。无论是广播电视的监管、还是网络视频的监控,或者视频检索领域,都需要利用计算机来对视频所表达的内容进行理解。而视频中的字幕具有较强的语义信息,是对视频内容的一种辅助表达,对于理解视频有着重要的作用。因此,视频字幕的检测与识别变得非常有意义。近年来,深度学习技术在各种不同的领域都得到了应用并取得了成功,尤其是在图像处理、语音识别等方面的表现更加突出。在这样的背景下,本文主要研究了基于深度学习的视频图像字幕定位与识别。在充分调研相关技术的基础上,设计了一套字幕检测与识别系统。在字幕定位任务中,考虑到视频字幕复杂多变的背景,选取了CTPN框架来进行检测。首先,本文提出了一种基于随机位置的文本生成方案;其次制作了大量的视频字幕数据集;然后利用CTPN框架在其他数据集上的模型作为初始结果进行训练,以减少训练时间,并且得到了精度和召回率较高的字幕定位模型。获取定位到的文本之后,对文本区域进行截取,然后利用灰度变换和增强对比度的方法,使图像中文字的信息更加突出。在文本识别任务中,选取CRNN网络模型来对不定长文本进行识别,通过测试发现预处理之后的文本图像能够有效地在基于CRNN的OCR模型中识别。通过整体的搭建,从视频读取到字幕定位,再到字幕区域截取和文字的识别,实现了端到端的视频文本识别。通过测试表明,本文所设计的系统可以准确地定位出视频中的文本区域,使用OCR能有效地识别出文本行的文字内容,因此具有一定的应用价值。