針對(duì)已有文本識(shí)別網(wǎng)絡(luò)由于深度不夠而識(shí)別準(zhǔn)確率較低的問題，文中提岀一種改進(jìn)的端到端文本識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)。首先，將文本作為序列，采用殘差模塊將文本按列切分成特征向量輸入循環(huán)層。這種殘差結(jié)枃増加了卷積網(wǎng)絡(luò)的深度，使網(wǎng)絡(luò)保持對(duì)文本圖像的最佳表征能力，實(shí)現(xiàn)對(duì)文本信息的捕捉。另一方面，殘差模塊采用堆疊層來學(xué)習(xí)殘差映射，在層數(shù)加深的情況下提高了網(wǎng)絡(luò)的收斂性。然后，采用循環(huán)層對(duì)這些文本特征序列進(jìn)行上下文建模，并把建模結(jié)果輸入 Softmanⅹ層以獲得序列對(duì)應(yīng)標(biāo)簽的預(yù)測(cè)，實(shí)現(xiàn)了對(duì)任意長度文本的識(shí)別。循環(huán)層使用長短時(shí)記憶網(wǎng)絡(luò)學(xué)習(xí)文本之間的依賴關(guān)系，解決長序列訓(xùn)練過程中的“梯度消失”問題。最后，通過最優(yōu)路徑方法進(jìn)行文本標(biāo)簽轉(zhuǎn)錄。該方法找到一條路徑使其概率最大，并輸岀這條路徑對(duì)應(yīng)的序列為最優(yōu)序列。改進(jìn)的文本識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)増加了深度，提高了文本圖像的特征描述能力和在噪聲下的穩(wěn)定性。在多個(gè)測(cè)試數(shù)據(jù)集（ ICDAR2003， ICDAR2013，SVT和ⅢT5K）上將所提算法與已有典型算法進(jìn)行實(shí)驗(yàn)對(duì)比分析，結(jié)果表明該網(wǎng)絡(luò)結(jié)構(gòu)能夠得到更高的場(chǎng)景文本識(shí)別準(zhǔn)確率，驗(yàn)證了其有效性。