随着信息化建设的不断推进以及多媒体电子设备技术水平的不断提升,图像成为了当今社会信息交流的主要媒介之一。文字作为信息传递的重要载体,广泛地出现在图像中。如果能够对图像中的文字进行准确地识别,不仅可以促进邮件分拣、车牌识别等技术的发展,还能极大的推动智慧零售、无人驾驶等新型产业的向前迈进。因此,越来越多的研究者开始关注图像中的文字识别技术,并提出了一系列文字识别方法。现有主流图像中文字识别方法往往采用编码器-解码器框架作为基础结构,并使用循环神经网络作为基本构成单元,能够对整齐且清晰的文档图像获得较高的识别准确率。然而,对于具有复杂背景或者文字区域存在着弯曲、模糊等情况的自然场景文字图像,该类方法的识别性能大幅下降。针对上述问题,本文提出一种新的文字识别方法——基于Transformer网络的文字识别模型。该模型首先采用残差网络对图像内容进行多层次的特征表达,之后使用基于Transformer网络的编码-解码结构来完成图像特征到文字序列的映射。在此过程中,该模型不仅保留了图像特征序列的二维空间结构,并且采用Transformer网络框架中的自注意力机制描述不同位置图像特征之间的关联性,从而能够取代传统循环神经网络单元,实现了对复杂样式文字的综合描述和准确识别。实验结果证明,相比现有文字识别方法,本文方法具有更出色的文字识别能力。本文还对传统的交叉熵损失函数进行了改进,极大地缓解了编码器-解码器框架中出现的“输出提前终止”的问题。此外,本文在基于Transformer网络的编码-解码结构中引入了多层次注意力机制,在提升文字识别准确率的同时,一定程度的降低了模型的计算量,提升了文字识别速度。