场景文本识别是计算机视觉领域的热门方向,它在自动导航、图像检索、人机交互等领域有着许多应用。随着手机、相机等拍照设备的普及,人们对自然场景图像的获取越来越便捷,对图像中文本信息正确识别的需求也越来越强烈。近年来,虽然深度学习的快速发展大大推动了场景文本识别技术的发展,但对低分辨率的模糊场景文本图像的识别一直是该领域的难点和痛点。针对这一难题,本文结合图像超分辨率技术对低分辨率文本图像进行重建,在放大图像尺寸的同时保持文本特征,让文本图像更清晰更易识别。具体研究内容如下:（1）根据场景文本识别模型的四阶段框架,对各先进的模型进行全面的分析和分类,选出8个具有代表性的模型。这8个模型基本包含目前已有的场景文本识别模型的各种结构组合,代表了该领域不同水平的算法,在速度、识别准确率、参数量、计算复杂度等方面都各有优劣,有着极大的丰富性和多样性。所选出的这些模型适合对超分后的场景文本图像的识别效果进行全面客观的评估。（2）在图像超分辨率领域较经典和先进的EDSR模型的基础上,结合场景文本图像的特点,对超分网络进行了针对性的优化和改进,设计了STR-SR网络。网络在特征提取前引入二值掩码和基于TPS变换的校正对齐模块,前者对图像中的文本区域和背景区域进行了有效区分,后者缓解了采集真实场景文本图像时的错位问题;随后在残差块中加入Bi LSTM,增强其对序列特征的表达能力;最后在训练时,在L1损失函数中结合梯度轮廓先验损失构成新的重构损失函数,增强了图像中文本的边缘轮廓,缓解了伪影现象。在真实场景数据集Text Zoom上对模型进行训练和测试,结合训练的8个文本识别器测试识别精度,证明了STR-SR模型的有效性和相对其他超分模型在场景文本图像重建上的优越性。（3）通过大量对比实验和消融实验找到了STR-SR模型上使场景文本识别准确率最高的组合结构和最佳参数,并从主观视觉效果和客观识别精度两方面验证了所做出的改进的有效性和优越性。通过PSNR和SSIM这两个指标对STR-SR模型进行评估,进一步证明了其重建生成的图像有较高的质量。