场景文本的检测与识别是目前计算机视觉领域比较热门的研究内容,用于定位场景文本中的文本区域并识别其字符序列。场景文本中往往包含很多丰富的文本信息,这些信息可以帮助我们认知场景。场景文本的检测与识别可以被应用到很多领域,如无人驾驶、智能交通、即时翻译和视觉搜索等。虽然传统的印刷文本检测与识别技术已经较为成熟,但场景文本的检测与识别还存在很多难点,例如背景复杂、文本形式多变、文本图像透视曲率失真等。本文针对场景文本的检测与识别任务进行了深入研究,具体内容如下:（1）针对尺度较小的场景文本在检测中会被遗漏的问题,本文提出了一种基于Bi-DBNet的场景文本检测模型。所提出的Bi-DBNet模型是将加权双向特征金字塔网络（Bi FPN）加入到原始DBNet模型中,对原始的DBNet进行改进。在原始DBNet中,采用特征金字塔网络（FPN）进行特征融合,但FPN受到单向信息流的限制,无法有效融合多尺度的特征,对检测的精度有一定的影响。而Bi-DBNet采用的Bi FPN可以覆盖所有可能的尺度,实现了跨尺度特征连接,能够有效地融合低层次和高层次的特征,从而关注到小尺寸的场景文本,进而提高检测精度。实验结果表明,本文所提出的Bi-DBNet模型,在ICDAR 2015和MSRA-TD500两个数据集上的性能都得到了提升。（2）针对场景文本中文本透视失真以及文本不规则的问题,本文提出了一种基于校正方法的组合校正网络（CRN）模型,对场景文本进行识别。本文提出的CRN模型结合了像素级别的多目标校正（MORN）和几何校正（TPS）的方法,弱化了几何约束限制,有效地提高了校正网络的性能,使基于注意力机制的序列到序列识别模型可以更准确地识别场景文本。实验结果表明,在SVT和SVTP两个数据集上,所提出的CRN模型的性能均高于已有的基于校正方法的场景文本识别模型。