本发明公开了一种场景文字识别方法及系统。该方法包括：构建训练样本；训练样本包括公用数据集和非公用数据集；公用数据集和非公用数据集均包括场景图片和标签文件；通过训练样本训练Yolov5模型，得到字符检测模型；字符检测模型的输入为场景图片，输出为场景图片中包含的所有单个字符；通过训练样本和字符检测模型识别出的所有单个字符对Textformer模型进行训练；通过训练好的Textformer模型对待识别的场景图片中的文字区域和单个字符进行识别。本发明仅利用“Transoformer”就实现了一个端到端的文本定位器，相较于传统的使用卷积神经网络提取图片特征再输入到“Transformer”中的方法，有着更高的效率。并且，由于只用到了“Transformer”，所以本发明的模型框架更简单。