自然场景图像中的文本蕴含关键的高层语义信息,识别出其中的文本内容可以准确的理解图像和分析图像。自然场景文本检测与识别的研究对于智能交通、视觉识别、图像翻译等领域都有重要的理论意义和实际价值。自然场景图像中面临着背景复杂多样、图像模糊分辨率低、单字符形式多变等困难。本文针对自然场景中两类具体的情况:受复杂背景干扰的简单场景和图像分辨率较低的模糊场景,进行了文本检测、字符切分、字符识别的研究。具体工作如下:(1)针对简单场景文本图像背景复杂的问题,提出了一种基于笔画宽度和剪枝算法的文本检测方法。通过设计的笔画宽度特征提取算法,能够获得每一个候选区的文本相似度;融合剪枝算法实现背景区域的滤除,生成的目标检测图像准确性高,较好的去除了复杂背景干扰区域。基于连通域的方法实现了简单场景文本检测,实验结果表明本文所提方法检测结果准确率达到0.78以上,滤除背景的效果良好。(2)针对模糊场景文本图像分辨率较低难以检测的问题,提出了一种改进导向滤波算法和边缘检测相结合的文本检测方法。采用暗通道理论和改进的基于均值的导向滤波算法进行去模糊的图像增强处理,突出了文本区域的边缘信息、增强了图像对比度。结合Sobel边缘检测和先验性规则完成候选文本区域的检测。利用图像增强算法改善模糊场景图像的清晰度,结合边缘信息完成了模糊场景图像的文本检测。本文方法的运行时间较快,检测的准确度不小于0.85,对模糊场景文本检测具有较好的效果。(3)针对自然场景单字符形式多变,难以切分与识别的问题,分别对简单场景和模糊场景的文本检测图像进行了单字符的行列切分,其中模糊场景下粘连字符的切分使用改进的垂直投影法,能够有效切割粘连字符。单个字符输入到经典的CNN(LeNet-5网络)完成了单个字符识别。使用字符间的空间特征有效解决了自然场景单字符难以切分的问题,并通过CNN实现了文本内容的识别。本文的识别网络框架测试识别率达到0.90以上,字符识别性能良好。综上,本文研究了简单场景下的文本检测、模糊场景下的文本检测以及字符的识别三个问题。将笔画宽度、连通域、导向滤波、边缘检测以及卷积神经网络等多项技术用于本文的研究。实验结果表明,本文提出的自然场景文本检测方法有较好的检测效果,使用的文本识别网络框架测试性能良好。