随着互联网技术的发展以及各种具备拍照功能的移动终端的普及,各种终端所拍摄到自然场景的图片往往包含一定的语义信息,因此自动检测和识别图片中的文字信息具有很广泛的应用场景,例如车牌识别、护照阅读器等等。随着电商的蓬勃发展,一些店铺想要与某些电商平台如美团、银联等登记入网的时候,需要店铺上传自己的门店照片信息供平台审核,而人工审核耗时费力,使用人工智能技术辅助可以提高工作效率降低错误率。但传统的OCR(Optical Character Recognition,光学字符识别)技术并无法解决复杂场景下的文字识别问题。自然场景中的文字识别算法基本分为两个步骤:文本检测和文字识别。目前基于深度学习的文本检测方法主要有两种,基于候选框或者基于分割的检测方法。基于候选框的基本思想一般是从图片中生成大量候选文本框,然后使用NMS(Non-Maximum Suppression,非极大值抑制算法)得到最终结果。基于分割的算法基本是通过对图片进行像素级的语义分割,然后在分割结果的基础上构建完整文本行。现有的模型对于英文字符的检测和识别都具有比较好的效果,因为英文字符尺寸基本一致,且只有26个,类别较少,但是汉字大小不一,且种类繁多,常用汉字个数就达到了 5000个,因此想要分类准确极其困难。针对自然场景中的门店名称复杂多变的特点,本文提出了一套针对此特定场景下的端对端文字识别与检测方案。整套方案由三个算法组成:基于像素语义分割模型PixelLink的文本检测算法,基于循环卷积神经网络的文本识别算法,以及基于音形码相似度计算的字符校正算法。针对中文和英文字符的差异性,我们训练了两套不同的模型来提高端到端识别的准确率。另外,针对字符校正模块,我们对核心算法进行了多层级的并行优化,提高了该算法的运行效率。我们在银联提供的自然场景文本数据集上进行了文本检测与文字识别实验,经过结果统计,在样本个数和标签个数为多对一的测试集上准确率可达76.6%,在一对一的测试集上准确率达到了51.7%。通过对算法输出的中间结果进行统计可以发现,我们提出的基于音形码的文本相似度计算算法对总体准确率有较大的提升效果,实验结果表明本文所提出的方案适用于解决自然场景中门店名称识别的问题。