近年来,文本识别与文本检测技术不断发展,越来越多的针对特定数据集的方法被提出。文本识别和检测方法在深度学习时代之前主要是提取低级或中级手工制作的图像特征,这需要繁琐和重复的预处理和后处理步骤。由于手工制作的特征的表现能力有限和过程的复杂性,这些方法很难处理复杂的情况。而基于深度学习的方法优势在于:自动特征学习可以使我们免于设计和测试大量潜在的手工特征。目前,基于深度学习的方法被广泛运用,多场景下的文本识别与检测准确率也得以提高。但是,在真实世界开放场景下,复杂背景、多样语种、遮挡文本、扭曲文本等问题成为了该领域研究工作的难点。因此,针对不同结构的文本,只有使用特定的深度学习网络结构和算法,才能提高多场景文本识别和检测准确率。在我们周围,汉字字符四处可见。例如街道的路牌、各式各样的牌坊等。而汉字字符识别和检测技术也确实便利了我们的生活。相对于其他文字,汉字字符种类多、字形相近的文字较多,因此检测和识别难度更大。本文主要研究将深度学习中的主流文本识别与检测算法应用到多场景汉字字符的识别与检测中。多场景汉字字符识别与检测包含识别与检测两个任务,检测是比识别更具有挑战性的任务。基于现有深度学习的文本识别与检测算法,本文提出了多种应用于多场景汉字字符识别与检测的方法,通过实验进行性能对比,并进行实验效果分析,最后提出可改进的方案。主要创新点如下:利用当前在文本识别与检测数据集中性能较好的基于深度学习的算法,研究在相同汉字字符数据集下,不同方法在多场景汉字字符识别与检测中的性能。为了提升多场景汉字字符识别与检测的性能,我们将分析各种文本识别与检测算法的结构,并进行相应的调整,使其能适用于多场景汉字字符识别与检测任务。通过实验对不同算法的性能进行对比和分析,最后提出可改进的方案。基于深度学习的文本识别与检测方法层出不穷,针对特定数据集的算法对比也不在少数,然而文本识别与检测的综述文献却寥寥无几,特别是汉字字符识别与检测。本文通过对比不同方法的实验结果,并分析不同算法的原理和改进方案,填补当前该领域的空白,使我们能够在现实的应用中更好地部署多场景汉字字符识别与检测系统。