针对自然场景中文本粘连、字体复杂、大小形状不同、分支困难等问题，提出了一种改进的基于psenet+crnn的交通文本检测与识别算法。该检测算法以PSENet为基本网络，利用特征增强模块Aristole增加模型的可接受域，改进了空洞卷积的特征金字塔模型，增强了多分支深层语义信息的融合能力。在文本识别部分，在CRNN模型中使用CTC+centerloss来实现函数和标签的对齐，并解决了预测重复和单词遗漏的对齐问题。最后，在CTst-1600数据集上进行了验证。检测准确率达到92.5%，字符识别率达到88.9%。与原算法相比，识别率分别提高了4.3%和2.3%。实验结果表明，该方法有效地提高了模型的检测和识别精度。