随着移动终端设备的普及和存储技术的发展,图像数据也在呈爆炸式地增长,并记录着人们工作生活中的方方面面。其中,包含着文字信息的文本图像更是成为了当今社会信息记录、传播和交流过程中不可或缺的重要媒介。但文本图像中的信息是以模拟信号的形式呈现的,即图像中的像素值。如果能将这些模拟信号数字化,人们就能更高效地从中获取有用信息。在文本图像中,文字和表格是非常常见且重要的高层次语义信息。自动化地从文本图像中提取文字信息和抽取表格数据有着非常广阔的应用前景,例如辅助视觉障碍者、实时翻译、基于文本内容的图像检索、票据识别和校验、文档数字化和结构化信息抽取等。而为了实现这些目标,作为其先决条件的鲁棒文本检测和表格抽取技术至关重要。但是,由于文字和表格本身所具有的高变化度（例如文字灵活多变的字体、颜色、大小、形状、方向和语言等以及表格各种各样的风格、大小和版式布局等）,图像中的复杂背景（例如有些背景目标会与文字或表格有相似的视觉纹理特征）,以及扫描或拍摄时引入的干扰（例如扫描噪声、不均匀的光照、低对比度、低分辨率、阴影、透视变换和扭曲等）,文本图像分析中的鲁棒文本检测和表格抽取问题仍是尚未解决的难题。在深入调研了相关领域的进展之后,本文对文本图像分析中的若干关键技术,即鲁棒的文本检测、表格检测和表格结构识别,分别开展了研究工作:（1）基于视觉关系检测的框架提出了一种新的文本检测方法。为了能有效应对文字的长宽比变化、任意形状和密集分布,本文采用自底向上的思路检测文字,即先检测文本片段然后将其拼成文本行。但现有的自底向上的方法很容易错误地将邻近的文本行聚合到一起或者将字符间隔较大的文本行分割成多个片段。为了解决复杂的文本行串行问题,本文提出将文本检测问题定义成一种视觉关系检测问题,通过定义文本片段之间的“连接”关系来表示两个文本片段是否属于同一个文本行。本文首先提出一个基于关系网络的方法,利用来自文本片段对并集框的上下文信息,来帮助预测连接关系。然后,本文进一步提出将文本片段构建成图,并借助图卷积网络探索更广的上下文信息,以提升连接关系预测的精度。实验表明,本文的方法可以比之前的方法实现更好的文本检测精度,特别是对有较大字符间隔的文本行和密集的任意形状的文本行。（2）提出了一种基于角点定位的高定位精度的表格检测方法。由于表格通常是按照网格状排列分布的且文本之间有对齐关系,这使得表格角点具有很明确的物理意义,是对表格进行精确定位的重要线索。基于此,本文提出先检测表格的角点并对它们进行组合以生成表格候选框,由此可以利用角点响应图上精确的像素级别的角点位置线索来大大提升表格候选框的质量。然后,本文结合一个Fast R-CNN模块,用于筛除其中非表格的候选框,同时进一步精调表格框位置。实验表明,本文提出的表格检测方法仅需用一个非常轻量级的ResNet-18骨干网络就可以在多个公开的表格检测数据集上取得优越的检测性能,特别是在更严格的评价准则下,本文的方法相比于其他方法优势会更加明显。（3）基于拆分-合并范式提出了一种新的表格结构识别方法。之前现有的基于深度学习的表格结构识别方法大多假设表格是水平竖直对齐的,因此它们无法处理有倾斜甚至弯曲形变的表格。此外,只有极少数的方法考虑了跨多行多列的单元格,且其识别精度不高。为了解决这些问题,本文首先提出一个基于Spatial CNN的表格分隔线预测算法,用于将表格拆分成基础的网格状分布的单元格。通过在全图范围内有效地传播上下文信息,Spatial CNN可以显著提升在空白区域和有弯曲形变的位置分隔线预测的精度。然后,本文又提出一个简单但很有效的Grid CNN模块用于单元格合并。该模块将整个表格紧致地表示成一个网格,然后仅需借助一些堆叠的卷积层即可有效地整合上下文信息,从而实现非常高的单元格合并精度。本文的方法在多个公开数据集上都取得了当时最好的结果。不仅如此,本文还在一个更具挑战性的内部数据集上验证了该方法对有复杂结构的表格、内部有较大空白间隔的表格、有空白单元格或跨多行多列单元格的表格以及有弯曲形变的表格的鲁棒性。