文字是人类最伟大的发明之一,它是人类语言的书面形式,具有文化继承性。随着互联网和多媒体技术的发展,海量的文本图像数据能够被人们获取,读取图像中的文本内容有助于理解整个图像场景,同时可以应用于车牌识别、自动驾驶等任务。不同于印刷体文本行识别,自然场景文本识别任务面临着诸如遮挡、低分辨率、透视变换、文本扭曲的难点。其中透视变换还将带来字符尺度多变的问题,加大了识别器的难度。为个性化的门店所设计的招牌往往是基于艺术字的曲线文本,大量引入了背景噪声和困难字体,其包含的文字较小较难识别。近几年来,很多学者的研究结果表明,基于深度学习的方法能够比较好地解决场景文本识别问题,因此本文用深度学习技术构建了两个对中文和英文场景都足够鲁棒的文本识别网络。本文的研究工作和贡献点主要包括:1、本文研究了近年来计算机视觉领域和场景文本识别领域的相关技术,对当前场景文本识别领域的难点进行了分析,并最终找到了背景噪声干扰以及多尺度字符的两个突破口。针对这两个突破口,本文构建了基于空间注意力机制的场景文本识别网络和基于多层级注意力机制的多尺度场景文本识别网络。这两个网络是以弱监督的方式进行训练的,只需要图片及其对应的标签,这大大减少了训练的成本;2、本文提出了基于细粒度空间注意力机制的场景文本识别网络。首先,该网络在不同尺度上提取特征并进行融合,以获得更加细粒度的特征表示。之后,本文利用空间注意力机制对背景噪声进行抑制,使得文本信息能够精细地从背景噪声中分离出来。解码器对于剥离了噪声的文本信息具有足够的识别能力,这大大提高了网络的识别精度;3、本文提出了基于多层级注意力机制的多尺度场景文本识别网络。该网络通过卷积神经网络固有的金字塔结构,保留了多个尺度上的图像特征。为了收集最细粒度的字符特征进行预测,本文构建了一个多层级的注意力机制解码器。首先,该解码器在多尺度特征中使用二维注意力机制提取出字符信息。之后,解码器通过一维注意力机制把每个尺度上提取的字符信息进行融合。最后,本文通过更鲁棒的特征提取器和恰当的数据增广方案,进一步提升了网络的识别精度和泛化能力。实验证明,本文所提出的识别网络能够细粒度的表征字符信息,大大提高了识别器对于多尺度文本的鲁棒性。