自然场景图像中的文本包含非常丰富的高级语义信息,对于场景的理解有着至关重要的作用。由于自然场景极具多样性,场景文本的检测与识别充满挑战,尽管在深度学习的推动下,其性能较传统方法已经有了显著的提升,但仍存在许多亟待解决的问题,是计算机视觉领域的一个热点问题。本文主要包含以下四个工作:（1）本文将文本检测视为一项密集回归任务,结合非局部神经网络嵌入了全局信息来扩大感受野,使其能够更好地应用于多方向文本中,并在多方向文本数据集上验证了其有效性。（2）本文从实例分割的角度出发处理文本检测,提出了特征融合文本实例分割网络,该网络可以高效且精准地检测出图像中任意形状的文本,同时本文针对文本的特性,改进了非极大值抑制后处理方法,使其更适用于文本,在多方向文本以及曲线文本数据集上均取得了优越的性能。（3）本文在当前主流的文本识别算法框架上进行改进,提出了结合注意力机制的深度监督文本识别算法,在推理阶段基本不引入参数量及计算量的情况下,在训练阶段为其添加了深度监督模块,使得模型能够学得更好的特征表示,同时进一步结合了注意力机制,自适应地抑制冗余杂乱信息、关注重要的文字区域,在多个文本识别数据集上验证了该方法的有效性。（4）本文提出了一种可以端到端识别自然场景中任意形状文本的网络,将检测与识别整合在了同一个网络中,使得两项任务可以共享部分参数,降低了模型整体的参数量和计算量,同时二者可以受益于彼此的监督信号,使模型更加鲁棒,在水平文本和曲线文本上进行了实验验证,结果符合预期。