随着计算机视觉广泛渗透到生产和生活中的各个领域，场景文本识别面临着愈发复杂的考验。纯视觉的场景文本识别模型侧重于构建有效的视觉特征提取网络，而缺乏对文本语义的理解，因此在处理遮挡或模糊文本图像时常遇到瓶颈。针对该问题，提出了一种利用语义信息辅助识别任务的场景文本识别算法。首先通过Transformer视觉编码器ViT提取特征，其次利用双分支结构的特征交互模块增强视觉特征，接着联合动态排列语言模型实现自回归解码。所提出的算法充分利用视觉特征和语义特征，有效地减少了遮挡等复杂文本的识别难度，实现了对场景文本的鲁棒性识别。实验结果表明，所提出的算法在6个基准数据集上实现了96.65%的平均识别精度，展现了显著的竞争力。