人工智能时代的到来,使人们的生活越来越便利并且幸福指数不断上升。计算机视觉作为人工智能的主要分支,发展速度越来越快,研究逐步趋于深度学习方向。传统光学字符识别已经应用于各种智能设备,比如银行卡号识别、身份证识别等,但是对于外部的因素要求极高:拍摄图像要求内容清晰、在指定候选框内放置身份证头像等。此外,光学字符还应用于信息录入,降低人力资源消耗,提升效率。但是自然场景下的文字主要是广告招牌、指示牌、宣传语等,特点是非固定长度、格式多样化、尺寸多变。场景文字识别由于自身难点,仍处于不断优化的时期。本文通过深度学习技术,研究了自然场景中的文字检测与识别技术,并设计实现了场景文字实时智能检测系统。主要工作内容为:（1）针对YOLOv3模型对较小目标检测不足的问题,对其网络结构、特征尺度进行改进:采用通道减枝的模型减枝方法去除冗余神经元,达到模型轻量化的目的,同时调整模型的特征尺度,提高模型对较小目标的检测精度。（2）通过360万数据集,来训练CRNN端到端识别模型的识别能力,并且通过CTC模型来处理序列的解码问题识别非固定长度的文字序列。（3）基于Web程序设计的基础上实现场景文字实时智能检测系统,实现对场景文字图像的实时检测、识别。首先通过YOLOv3模型检测文字并确定文字位置,然后通过CRNN模型识别文字,达到实时检测识别的目的,最后将识别结果可视化。在公开的数据集和实际生活中的自然场景数据集上对本文提出的YOLOv3+CRNN网络进行了实验。实验证明,本文提出的端到端网络的性能达到了预期效果。自然场景文字检测与识别技术为人工智能其他分支的发展提供了技术支持。比如机器人方向通过场景文字获取信息进行转换;智能辅助方向,如盲人阅读、盲人导航、智能驾驶等应用。所以,提高识别的实时性、精确度有着非常重要的现实意义和价值。