文字作为人类社会信息传承的载体,广泛存在于我们的日常生活之中,对于场景理解有着非常重要的作用。随着计算机技术的飞速发展,越来越多新的应用场景需要文字识别技术的支持。深度学习的发展为解决文字识别问题带来了许多新的技术,其中注意力机制就是一条全新的思路。本文基于深度学习和注意力机制,对单字识别和序列文本识别一些热点问题提出了新的解决方案。本文的研究与创新主要包括:1.对注意力机制在文字识别任务上应用场景的探索——脱机手写汉字小样本识别新方法。本文探究了之前工作在解决该问题上的不足之处,并提出了部件聚合网络（Radical Aggregation Network）。该方法引入了印刷体汉字作为支持样本,解决未知类别手写汉字结构信息缺失问题,同时提出了字符分析解码器用于端到端地输出手写体未知汉字的类别。本文通过实验验证了部件聚合网络在手写汉字小样本识别问题上有着非常出色的效果,同时在常规手写汉字识别问题上也保持了较高性能。2.对针对文本识别问题的注意力机制建模机理的优化——面向文本识别的解耦注意力网络（Decoupled Attention Network）。针对注意力机制在长文本上容易发生对齐漂移问题,本文观察到产生该问题的原因是传统注意力解码器耦合的对齐解码过程。为此,本文提出了解耦注意力网络,该模型将注意力模型的对齐过程和解码过程解耦开,使得对齐过程不再受到解码结果的影响。实验证明,解耦注意力网络在长文本识别问题上有效解决了对齐漂移问题,因此性能出色。此外,解耦注意力网络在自然场景文本识别问题上也取得了很好的效果。总而言之,本文针对文字识别任务,对注意力机制的应用场景和建模方式进行了一些有益的探索。希望本工作可以对相关领域研究人员和工程人员产生一些启发。