自然场景中不规则文本识别任务是将自然场景中的不规则文本图片识别成计算机可以理解的文本序列的过程。目前自然场景中不规则文本识别已经吸引了计算机视觉研究者的大量关注。相比于自然场景中规则文本识别,自然场景中不规则文本识别由于文本图片背景复杂、字符排列多样等原因,目前识别准确率依旧达不到理想的效果,还面临很多问题。本文面向不同的应用场景,提出了不同的模型来提高自然场景中不规则文本识别的准确率。本文具体贡献如下:首先,面向英文不规则文本识别中训练集有字符级别标注信息的场景,本文提出了基于显著图的不规则文本修正（saliency map based rectification,简称SMART）模型。SMART由修正网络和识别网络两部分组成。不同于已有的修正方法,SMART首次通过预测字符级别的显著图来对不规则文本进行修正,并且提出了条状区域变换（strip region transformation,简称SRT）算法。其次本文还提出了薄条板采样数据增强来提升网络的训练。实验表明,本文提出的SMART模型可以在不规则文本数据集上取得比已有方法更好的结果,在规则数据集上取得跟已有方法差不多的效果。其次,面向英文不规则文本识别中训练集无字符级别标注信息的场景,本文提出了二维不规则文本识别（two-dimensional irregular text recognizer,简称TDIR）模型。TDIR由二维特征融合（two-dimensional feature fusion,简称TDFF）模块和二维注意力机制（two-dimensional attention mechanism,简称TDAM）构成。TDIR模型在编码阶段使用TDFF对编码信息在水平和垂直方向上进行融合。在解码阶段使用TDAM在水平和垂直方向上预测当前时刻的字符信息。实验结果表明本文提出的TDIR模型能够在不规则数据集上超越已有的方法,在规则数据集上达到与已有方法差不多的效果。最后,面向中文不规则文本识别的场景,本文提出了方向响应不规则文本识别（oriented response irregular text recognizer,简称ORIR）模型。ORIR模型首次将方向响应网络应用于文本识别任务,考虑了不规则文本中字符的方向信息。此外,ORIR模型采取方向响应注意力机制（oriented response attention mechanism,简称ORAM）分别对方向特征和通道特征进行注意力学习,以此来强化方向响应卷积的学习,抑制通道之间的无效特征。实验表明,本文提出的ORIR模型在中文文本数据集上能够取得最好的效果,特别是在中文垂直不规则文本数据集上。