场景文字的检测和识别是计算机视觉领域中的重要研究课题之一,场景文字中包含了准确的语义信息,因此该研究课题在场景理解、文档分析领域有着重要的应用价值和学术意义。特别是非受控场景下的场景文字检测和识别,该技术有着广泛的应用场景,例如车牌识别、自动驾驶、发票识别、盲人阅读、金融票据识别等,因此受到学术界和工业界的广泛关注。对任意形态的场景文字的检测和识别任务仍然是一个具有挑战性的问题。本文对基于深度学习的任意形态的场景文字的检测和识别方法进行了探索和研究。针对任意形态的场景文字检测问题,本文提出一种基于图像上下文信息的多任务学习的单阶段任意形态文字检测算法。该算法使用多任务学习方法的同时学习文字区域的多种几何特征,结合了高层的检测信息和底层的像素信息,实现了对任意形态的场景文字的检测。在该算法中,本文提出了一种基于图像上下文注意机制的特征增强机制,学习了图像特征的非局部信息,使主体网络学习到的特征摆脱了感受野的限制,进而缓解了长文字区域分割片段化问题;提出一种Pixel2Quad机制,有效结合高层语义信息和底层像素信息,实现较为鲁棒的文字实例分割方法,有效地提升了常见文字实例分割的准确性;提出了一种高效的文字多边形表达恢复方法,解决了收缩的文字区域向外扩展的不确定性问题,可以高效地从文字实例中恢复出上下对称的多边形表达,对于后端的识别系统较为友好。该方法在诸多公开数据集上取得了与同期公开算法可比或者更好的检测精度,且相比于其他的基于分割的场景文字检测方法,该方法是在1/4尺度上进行多任务学习,因此计算量较小,运行速度优势明显,远超同期公开的算法。针对任意形态的场景文字的识别问题,本文提出了一种基于中心点采样的任意形态场景文本端到端识别算法,该算法同时学习了场景文字的语义分割图和字符分类信息,实现了对任意形态场景文本的并行检测和识别任务,并使用了基于图神经网络的识别优化模块对识别准确性进行了提升。在该算法中,本文提出了一种基于CTC的字符分类信息监督方法,该方法可以学习到每个像素点对应的字符分类信息,且不需要字符级别的标注;考虑到阅读顺序对文字识别性能的影响,提出了一种文字阅读顺序的恢复方法,该方法定义了一种表示文字区域的阅读顺序的属性,并通过对该属性的学习和预测,实现了文字区域阅读顺序的恢复,提升了整体的识别性能;提出了一种基于图神经网络的文字实例识别的优化方法,对局部的信息进行聚合和推理,捕捉同一个文字识别序列中长距离的相关性,进而对识别结果进行优化。该方法在诸多公开数据集上取得可比或者更好的识别精度。同时,该算法可学习参数量较少,没有非极大抑制或者特征抠取等操作,运行速度较快,在实现端到端识别系统在边缘智能设备上部署方面有较大潜力。