针对现有的超分辨率方法难以从模糊的低分辨率图像中重建出清晰的高分辨率图像的问题，提出了一种基于生成式对抗网络（GAN）的文本图像联合超分辨率与去模糊方法。首先，本方法聚焦于严重模糊的低分辨率文本图像，由上采样模块和去模糊模块两部分组成生成器网络；然后，通过上采样模块对输入图像上采样，生成模糊的超分辨率图像；进一步利用去模糊模块重建出清晰的超分辨率图像；最后，为了更好地恢复文本图像，引入了一个联合训练损失，包含超分辨率像素损失与去模糊像素损失、语义层的特征匹配损失以及对抗损失。在合成图像和真实图像上的大量实验结果表明，与现有的先进算法——单类GAN （SCGAN）相比，峰值信噪比（PSNR）、结构相似度（SSIM）和光学字符识别（OCR）精度分别提高了1.52 dB、0.011 5和13.2个百分点。所提方法能更好地处理真实场景下的退化文本图像，同时计算成本较低。

提高复杂背景及噪声干扰文本图像的文本分割性能是文本识别研究中的重要问题和难点，为更好地解决这一难题，提出一种基于超像素融合的文本分割方法。首先对文本图像初始二值化，并估计文本笔画宽度；然后进行图像超像素分割并融合；最后利用超像素融合的局部相似性对初始二值化图像进行文本校验。实验结果表明，与最大稳定极值区域（MSER）及笔画超像素聚合（SSG）方法相比，所提方法在KAIST数据集上的分割精度分别提高了8.00个百分点和7.00个百分点，在ICDAR2003数据集上的文字识别率分别提高了5.33个百分点和4.88个百分点。所提方法具有较强的去噪能力。