随着大数据和人工智能技术的迅速发展,计算机视觉领域得到了越来越多的关注;作为计算机视觉领域下的重要分支,文本识别方向更是如此。高性能计算平台的发展和大规模数据集的出现使得基于深度学习的文本识别算法在该领域下取得重大突破,但是,众多的算法模型却拥有不同的应用场景,各算法模型的场景通用性普遍较弱。文本识别任务中,算法模型特征与图像文本特征的匹配度对识别效果的准确性和鲁棒性起着决定性的作用。当前,少有研究针对多种文本识别技术在不同场景下的适用性而展开,从而限制了文本识别技术在综合应用系统中的使用,比如智能交通系统、自动驾驶等。本文是以探讨各文本识别技术解决方案的场景适用性为目的,对各文本识别算法进行研究,主要工作和贡献如下:1.深入研究基于深度学习的文本识别算法,对目前主流文本识别技术解决方案下的各算法模型进行分析,涵盖网络结构对比、文本识别过程等多个方面。2.对目前文本识别技术主要应用场景下的图像文本特征进行分析总结,并设计制作了两种涵盖多类不同文本特征的应用场景作为研究数据集,通过多组对比实验对各算法模型的场景适用性进行了研究和分析。3.基于以上各算法模型场景适用性的实验结论,通过设计增加场景分类网络对输入图像进行分类,对不同场景下的输入选用对应的文本识别算法,实现了一个通用的文本识别系统。经过测试,所设计系统在两种实验数据集上的准确率提升都在5%以上。4.本文从工程角度对该文本识别系统进行解耦,实现了新场景下文本识别任务的快速接入,提高了该系统的可扩展性。