光学字符识别（Optical Character Recognition,OCR）作为促进办公自动化的一项重要技术应用场景十分广泛,随着近年来支持OCR有监督学习的训练数据爆炸性增长,针对文本检测和识别的OCR技术研究逐渐成为深度学习领域一个前景十分广阔的热门研究方向。本文研究基于深度学习的OCR技术,研究重点是如何在保证OCR过程中文本检测和识别准确性的同时,尽可能地提升模型的推理速度,高效快速地完成场景文本的检测和识别。针对文本检测问题,本文模型使用一系列的卷积神经网络模块作为骨干网络从原始图像中提取出征图,然后在骨干网络中加入特征金字塔结构以进行多尺度预测,并且分别用两个分支做目标的分类和分割以获得最终的文本检测结果。在训练阶段,模型分类损失函数采用Focal Loss,分割采用二进制交叉熵（Binary Cross Entropy,BCE）损失函数,联合两部分损失值对整个文本检测模型进行监督。文本检测阶段仅需做二分类,即使使用单阶段目标检测也可以获得较好的检测结果,同时还能加速整个检测流程。针对文本识别问题,本文模型以一组卷积神经网络作为编码器提取图片特征,然后利用双向Transformer结构对提取的特征图进行解码。双向Transformer结构由多头注意力模块和前馈计算模块堆叠形成。这种结构能够更好地提取双向特征,同时支持并行化计算。模型将输出的概率分布与数据集标签一起输入到CTC损失函数中监督模型的训练过程,模型推理过程中则直接由概率分布解码得到最终预测的文本识别结果。本文使用标准数据集以有监督学习的方式分别训练了基于分割的文本检测模型和基于编解码的文本识别模型。模型均在相应的数据集上收敛到较好的效果。文本检测模型在评测数据集上的F1分数为85.79,FPS为9。该模型的检测准确性在保持与领域内相关工作相当的同时,FPS提升了3倍以上。文本识别模型在评测数据集上的准确率为85.6%;批推理时间为12.82ms,仅为同等条件下同类方法推理耗时的2.8%～36.6%;模型参数量相比同类模型减少2.5%～17.5%。实验结果表明本文提出的OCR模型具有较高的实用性,能够更好地服务于有低延迟、快速响应需求的场景图像OCR应用。