文字是人类最辉煌、最有影响力的创造之一。自然场景中的文字往往包含了丰富的信息,因此,自然场景文本识别技术在日常生活中具有广泛的应用,并逐渐成为当前计算机视觉领域中的研究热点。本文详细阐述了自然场景文本识别领域的发展历程以及该领域主流的识别算法,并深入剖析了当前场景文本识别中的难点,尤其是不规则文本以及低质量图像的识别问题。不规则文本往往具有透视变形和扭曲的文本形状,这使得字符呈二维排列分布,无法直接采用一维序列识别器进行预测。而低质量图像往往图像模糊、字符被遮挡或者具有复杂的背景干扰,这使得视觉信息包含大量噪声干扰,增加了文本的识别难度。本文围绕以上两个识别难点,探究并改进了现有的自然场景文本识别方法。主要研究工作和创新点如下:（1）针对不规则文本,本文提出了基于渐进文本矫正和注意力机制的场景文本识别算法。其中,渐进矫正机制针对三种级别的目标采用不同的矫正模块,逐渐消除文本的不规则形状,将呈二维分布的不规则文本矫正为呈一维分布的规则文本。将矫正机制与一维序列识别器结合构建完整的识别网络。整个识别网络以端到端、弱监督的方式进行训练,只需要文本图片及对应的字符串标注,无需任何额外的监督信息。实验表明,该矫正模块能够灵活、准确地矫正不规则的场景文本,提升识别器对不规则文本的鲁棒性。（2）针对低质量图片,本文提出了一种基于语义增强和Transformer结构的场景文本识别算法。其中,语义增强机制通过构建语义增强模块从整体视觉特征中提取全局语义信息,并用全局语义信息来初始化解码器以指导其准确解码。该方法深度融合了视觉信息和语义信息,利用语义信息来弥补视觉噪声干扰带来的性能降低。整个识别网络以端到端的方式进行训练。实验表明,全局语义信息能够有效指导解码器的解码过程,语义增强机制能够提高识别器对低质量文本图片的识别性能。