随着科技水平的进步,视频数据在人们的日常生活中占据着越来越重要的地位。视频中存在着大量的文字信息,对其进行提取有助于视频内容的审核以及视频内容归纳分类。而视频文字检测识别技术能很好的满足对于大量视频内容提取与审核等方面的需求。相比于人工,借助视频文字检测识别技术进行视频内容提取与审核等工作,能够大幅提高效率并降低人力成本。本文基于深度学习技术,对视频文字检测算法和视频文字识别算法进行了研究,设计实现了视频文字检测识别系统。本文的主要工作如下:（1）采集实际应用场景中的视频数据,选取部分进行文本行位置和文字内容的标注,得到200张图片的文本行位置标注和2852个文本行实例的文字内容标签。（2）为了解决经典的文字检测算法CTPN对视频文字的检测精度较低的问题,对其进行网络结构、损失函数及训练策略的改进,将CTPN原有的基于VGG16的特征提取网络替换为带有残差结构的特征提取网络。并且在每个残差块中添加了通道注意力机制和空间注意力机制,通过引入注意力机制,对重要特征赋予更高的权重,使其对检测的结果有着更大的影响。使用focal loss损失函数,配合困难负例挖掘策略对模型进行训练,提高文字检测的准确率、召回率。（3）为了解决经典的文字识别算法CRNN对视频文字的识别精度较低的问题,对其进行网络结构的改进,将CRNN原有的基于VGG16的特征提取网络替换为带有残差结构的特征提取网络,并在每个残差块中添加了通道注意力机制和空间注意力机制。由于对于复杂的深度神经网络,训练集越大,神经网络的精度往往越高,因此本研究使用代码将语料数据与背景图片合成,生成大规模中文识别数据集。使用该数据集对模型进行训练,藉由语料数据使得网络结构中的双向LSTM层学习到语义信息,增强识别结果的前后关联性,降低识别错误率。（4）为了减少文字检测结果不准确导致识别结果同样不准确的问题出现,本文提出了一种端到端的文字检测与识别算法。通过共享特征提取网络的参数和提取得到的特征图,减少分别进行检测与识别时重复提取图像特征的冗余参数和计算。并且由于识别时对特征图进行了复用,由于卷积操作时对每个像素周围的信息都进行了提取,因此特征图中每个点都包含了对应于原图像的某个区域的信息,即特征图相比原图像具有相对较大的感受野,若检测分支未能将完整的文本行检出,识别分支利用检测分支的检测结果对特征图部分区域进行裁剪时,可能将未被检出文字区域的特征包含在内,使得识别分支有一定概率能够将文本行完整地识别出来。（5）基于Py Qt5设计并实现了视频文字检测识别系统,通过调用两阶段文字检测识别模型或端到端文字检测识别模型对输入的视频进行文本检测与识别,辅以结果复用算法对检测识别结果进行选取和复用,提高系统效率,最后将检测与识别的结果以文本和图像的形式保存在本地磁盘中。本论文设计实现的视频文字检测识别系统,能够高效地对输入视频进行文字检测与识别,检测识别的效果较好,应用于视频内容提取、审核等工作中能够有效降低人力成本,保证视频中含有的文字内容合法合规,具有较高的实际应用价值。