图像文本识别作为环境感知型的一种计算机视觉任务,广泛用于自动化纸质文档识别、自动驾驶和场景语义理解等任务中。近些年,基于深度学习的文本识别方法逐渐成为研究人员关注的热点。与传统文本识别方法不同,现有主流的处理范式是将文本图片视为一个整体,直接对图片进行特征提取,最后通过特征解码得到文本识别的结果。然而,最近有研究表明上述方法在特征提取的过程中,会丢失字符的空间结构信息。因此通过保留二维信息的一种基于语义分割的文本识别方法逐渐被研究人员所关注。由于中文文字类别较多,基于语义分割的文本识别方法在中文文本识别任务上存在模型空间占用大,模型训练速度慢等问题。针对此问题,本文提出通过压缩语义分割的编码空间,来减少模型空间占用。同时通过将中文字符结构信息融入编码,来增加编码的语义信息。据调研,本文是首个在语义分割模型上使用非one-hot编码的工作,因此为快速验证本文提出的编码在语义分割模型上的可训练性,本课题选择简单场景下的离线中文单字手写体数据对编码压缩效果进行验证。结果表明基于汉字结构的分层编码压缩方式,既能有效的降低模型存储空间,又达到了较高的识别准确率。自然场景中,文本识别往往需要同时对多种语言进行识别。在前述工作基础上,针对复杂场景下字符结构多样和多语种字符混合编码的问题,本文提出了一种数据驱动的基于自监督学习的编码设计方法,该方法通过自监督学习机制得到不同字符的特征表示,再以特征相似度作为衡量标准对多语言字符的特征表示进行聚类,从而解决大规模、多语言数据集中的字符编码表示问题。模型方面,为解决编码表示的组合错误问题,在语义分割模型基础上,本文通过引入注意力机制自动对编码层特征权重进行调整。本课题选择在两个以中文为主的多语言场景文本数据集进行评测,结果表明上述方法能有效地对场景文本图片进行识别。其中在CTW数据集上达到了85.6%的准确率,比现有最好方法高2.1%。