数字图像中的文字信息对人们来说至关重要。从图像中提取所需的文本信息至今仍是一项挑战性任务。物流和仓储的发展产生了大量货物标签。受货物包裹形状的影响,贴在软体包裹表面的标签会产生扭曲。这给标签文本的检测与识别带来了复杂的干扰。这些干扰包括光照不均、背景干扰、文本变形和文本方向随意等。受这些干扰影响,现有的文本检测和识别方法在该场景下有一定局限性。针对这一问题,本文对现有方法进行了研究和改进。本文采用分为标签提取、文本检测、文本识别三个步骤的方法解决该问题,主要研究内容如下。(1)本文对扭曲标签文本的采集条件和可能存在的场景进行了分析,建立了一个软体包裹表面的扭曲标签文本图像数据集。该数据集共包含743张扭曲标签文本图像,标注了每一张图像上的标签边缘、文本区域的位置和文本区域的内容,可用于扭曲文本检测与识别的训练和测试。(2)针对扭曲标签的提取问题,本文采用了基于局部阈值二值化和连通域分析的图像分割方法。该方法分为标签边缘的获取、背景中条纹干扰的去除、标签附带的条状干扰的去除、标签方向的矫正四个步骤。其能够在背景干扰、光照不均和标签扭曲变形的条件下将标签提取出来。经实验验证,当IOU阈值为0.6时,该方法在本文数据集下的准确率为94.8%;当IOU阈值为0.8时,其准确率为77.1%。(3)针对扭曲文本的检测问题,本文提出了一种对渐进尺度扩展网络(Progressive Scale Expansion Network,PSEnet)的改进方法。在现有PSEnet文本检测模型的基础上,本文采用Dense Net网络代替Res Net网络作为模型的特征提取网络,改进了上采样时的特征融合方式,引入像素方向特征替换PSEnet原有的部分尺度的文本特征。实验结果表明,本文改进的PSEnet文本检测模型在本文数据集上的检测效果要优于原模型。(4)针对扭曲文本的识别问题,本文采用了基于文本行形状的扭曲文本识别方法。该方法以检测到的文本行形状为基础,按扭曲文本行形状的获取、文本区域的合并、文本区域的矫正和文本识别四个步骤来识别扭曲的文本。实验结果表明,该方法可以提升扭曲文本的识别效果。该方法也在一定程度上缓解了文本检测结果中的过分割的问题。