传统的文字识别是通过扫描仪获取图像文件,这种识别方式需要有较高质量的图片才能获得较好的识别效果。如今,随着图像处理技术、人工智能的快速发展以及具有拍摄功能的智能设备的普及,人们获取图像中文字的方法不再局限于扫描仪或者手动录入的方法,而是转向这些具有摄像功能的移动设备。室内场景又是人们赖以生活的环境,占据人们生活环境的极大部分,其场景中包含的文字信息量巨大。有效的获取这些文字信息将极大的帮助人们理解场景内的内容,为人们提供便利。针对室内场景的文字识别进行了研究,总结了国内外文字识别的研究现状,研究了室内场景的文字的检测、文字的分割,并对文字识别进行了剖析。其主要的研究工作有:(1)利用最大稳定极值区域(MSER)算法和笔画宽度转换(SWT)算法的优点,改进了笔画宽度转换的文字检测算法。首先使用多尺寸图片和多阈值的MSER检测并提取可能是文字的区域,然后再利用SWT算法来计算候选区域的文字笔画宽度,最后通过级联分类器剔除非文字区域。(2)通过分析PCANet网络,提出了改进的PCANet网络结构。(3)在经典的Le Net-5网络结构基础上进行了改进,使得网络训练小数据量数据集也能收敛。通过对比改进后的网络和改进前的网络的性能可以得出,改进后的网络性能效果更优。我们采集了五类室内场景的图片,建立了一个文字检测的小数据量的数据集图片,研究了从文字检测到识别的一套实现流程。在检测阶段将改进的文字检测算法和原算法进行了对比,实验结果表明改进的算法在检测效果上有了很大提升。在识别阶段,采用了四种方法对文字进行识别研究,并对比分析了实验结果。