近年来随着科技进步,人们物质水平提高,对于图像内容理解的需求增大,文本检测识别应用面对的通常并不局限于单一场景,而是多种场景的混合,这就导致要求多场景下文本检测识别任务要应对复杂的光照条件、多变的文本字体和角度,因而非常挑战算法的能力。同时学术界和工业界也举办了很多不同场景的文本检测识别挑战赛,这也体现了多场景文本检测与识别的研究热度。本文主要在如下三个方面进行了工作:(1)本文以可变形卷积目标检测网络为基础,进行改进并应用到多场景水平文本检测任务中去,在自然场景以及票据场景进行了实验验证,结果符合预期,并取得了ICDAR2017 COCO-Text文本检测竞赛亚军。(2)本文从实例分割的角度,提出了一个多场景多方向文本检测框架FTSN,通过融合底层细节信息和高层语义信息得到融合特征图,并且改进了非极大值抑制后处理方法,使得其在多语言场景下多个多方向文本数据集ICDAR2015、MSRA-TD500中取得了领先的性能,并且可以自然地扩展到曲线文本检测任务中去。(3)本文基于流行的行识别模型CRNN进行改进,提出了识别模型DSAN,其引入了空间注意力模块和深度监督模块,使得在序列处理之前的特征图能够更集中激活语义信息部分、抑制冗余杂乱信息部分,该方法在多个不同场景文本识别数据集即ICDAR2013、SVT和IIIT5K中均达到了领先性能。本文在多场景文本检测与识别任务中提出的方法,在多个数据集或比赛中验证了有效性,其性能也超越了之前众多方法。