本文针对自然场景下的数字字符检测与识别问题,结合计算机视觉相关技术,将检测与识别问题分为区域提取和识别两个过程。具体的工作包含以下几个方面。将无监督特征表达用于自然场景下的数字字符检测问题。选取了K-means与Bo F无监督特征表达用于数字字符检测问题,设计了神经网络结构作为字符区域的判别器。通过滑动窗口法去判别并标记字符区域,最后利用字符区域提取算法筛选出最终的字符区域。通过实验比较了两种无监督特征的性能,K-means的性能要高于Bo F。利用K-means特征的判别器正确率为96.57%,检测精确度为0.8626。实验也验证了无监督的数字字符检测方法的合理性。将有监督的Faster R-CNN模型用于自然场景下的数字字符检测问题。应用预训练的VGG16深度卷积模型,进行迁移学习,在有监督的方式下,继续学习抽取高层次特征。最后经过实验证明了有监督的数字字符检测办法的有效性,且性能要优于无监督特征表达的数字检测方法,其精确度要高出0.081。利用检索进行数字字符识别。由于检索的数据集的样本较少,利用仿真的方式对数据集进行扩充。对数字字符样本叠加误差模型,模拟真实自然场景下的划痕、光照、污损的情况。使用K-means与Bo F无监督特征构建特征码书,同时选取了单字典与多字典的码书用于对比。最后通过实验测试了基于检索的数字识别方法的性能,其最优模型的正确率为90.78%。本文针对自然场景下的数字字符检测与识别问题,研究了两种具有差异的数字字符检测方法,以及一种基于检索的数字识别方法,并将检测与识别方法结合,具有一定的理论价值。本文方法也可应用于钢厂的字符检测与识别问题中,具有一定的应用价值。