移动终端设备的迅速发展和普及，使人们通过手机或Pad获取周围信息成为可能。传统的信息获取方式是通过用户输入看到的周围环境中的文字来获得相应结果，而下一代的人机交互将通过手持设备拍照自动识别图像中的文字并返回相应结果。这将对现有的用户体验产生革命性的变革。　　 本文针对这一应用目标，对手机拍摄的场景图像进行研究，定位并识别图像中的文字。本文主要针对两种场景进行研究:室内拍摄的名片场景和室外招牌场景，针对两种场景构建了相应的数据集，同时使用了场景图像研究领域中普遍采用的ICDAR数据集进行研究。　　 定位方面:本文针对名片场景的特点提出了基于canny算子进行边缘检测的图像前景提取方法，然后使用形态学膨胀方法合并连通域并抽取5种字符区域特征进行精确定位;针对招牌场景的特点提出基于图像分割的改进大津法——BlockOtsu二值化方法进行图像前景提取，设计7种字符区域特进行精确定位。　　 识别方面:名片场景图像中的文字为印刷体，本文使用Tesseract-OCR开源引擎作为字符识别分类器;对于招牌场景，训练卷积神经网络作为字符识别分类器。　　 本文对实验算法的时间性能进行研究，提出算法实时性的要求。针对定位和识别算法的时间进行优化和改进，尤其是Tesseract-OCR，最终的改进结果大幅提高时间性能，使算法移植到移动平台成为可能。