随着科技和媒体近几十年来的飞速发展,网络上和我们的生活中随处可见丰富的文本图像。这些文本图像拥有不同的字效,并且位于各个不同的场景之中。生成对抗网络（Generative Adversarial Network,GAN）和基于像素到像素的风格迁移方法的发展加速了文本图像编辑方法的研究,研究对象包括场景文本图像和独立文本图像。由于场景文本图像编辑具有较高的难度,因此当前的场景文本图像的编辑方法对具有复杂字效的场景文本图像不能起到很好的效果。图像、视频中的文本图像被称为场景文本图像,它们包含丰富的语义并在许多多媒体应用程序中起到非常重要的作用。本文致力于研究针对场景文本图像的文本图像编辑方法,最终目标是能编辑场景文本图像中的文本内容而无需破坏整张图片的整体外观。无论是在学术界还是工业界,场景文本图像编辑任务引起了越来越多的关注,并且受到许多实际应用的驱动,例如文本图像合成、海报的文本图像编辑、文本图像校正、增强现实等。场景文本图像编辑面临两个主要挑战,分别为文本风格迁移和背景纹理保留。本文基于Truetype字体协议设计了具有丰富字效的场景文本图像数据集,为场景文本图像编辑任务提供了丰富的训练样本。本文提出了用于表达文本图像结构特征的三通道Mask图像作为辅助信息,更强力地约束文本图像的结构特征,并给予文本风格迁移更有效地监督。依托本文提出的三通道Mask图像,本文提出了具有高鲁棒性的文本图像编辑方法Mask-Guided GAN;该方法通过将文本图像编辑任务分解为六个子任务并设计了相应的子模块,增强了文本图像编辑的可解释性,使研究者可以细致地观察文本风格迁移的过程,从而能针对性地对文本图像编辑的模型进行优化。本文提出了场景文本图像的文本背景分离任务并用本文设计的算法起到了良好的效果。本文的实验部分采用图像效果实验、量化评估实验和人工打分评测实验这三种评估方法将本文提出的方法与前沿方法进行对比,同时对本文提出的方法进行消融实验,实验结果均证明了本方法的有效性和优越性。