场景文本检测是指从图像中定位出文本位置,该技术在图像检索、机器人导航、工业自动化和实时翻译等场景中有广泛使用,具有非常广阔的研究与应用价值。自然场景中文本的大小、排列方向和对比度等有很大差异,而且还受到噪声干扰、拍摄角度和光照变化等因素的影响,受这些因素影响,传统的文本检测方法对场景文本的检测效果较差,无法适用于复杂的场景文本检测。随着深度学习的兴起,基于深度学习的场景文本检测方法取得了重大突破,涌现出许多优秀的场景文本检测方法。但是当前大多数基于深度学习的文本检测方法仍然存在以下一些问题:在检测长文本时,会出现预测失败以及断裂的情况;存在严重的正负样本不均衡和尺度不敏感问题,会降低模型的训练效率与检测精度;在精度和速度方面无法取得平衡,例如部分方法精度很高,但是检测速度过慢,无法应用于实际生产环境。本文针对以上问题展开研究,结合最新的无锚框网络FCOS,提出了基于无锚框网络的场景文本检测方法。本文在FCOS基础上使用任意四边形替代矩形框作为网络输出,使检测器能够精确地检测文本边缘。本文使用Darknet-53作为主干网络,增强了基础特征提取的能力。本文对损失函数部分也做了改进,使用DR Loss作为文本分类损失函数,改善了正负样本不均衡问题。在位置回归损失方面,本文使用顶点回归的方式,直接计算预测区域与真值区域各自四个顶点的绝对差值。并且提出了对角线调节因子,能够使预测的检测框更贴近文本实例,实验表明,对角线调节因子提升了位置回归的精确度。本文还提出了符合任意四边形的中心度损失,中心度损失能降低远离中心点的低质量边界框的权重。为了继续提升模型的检测精度,本文提出了基于注意力机制与上下文提取的场景文本检测方法。本文引入CSP结构,使用CSPDarknet-53作为主干网络,进一步提升了主干网络的基础特征提取能力。受AC-FPN启发,本文使用了上下文提取模块（CEM）,使特征融合更加充分。本文还引入了注意力机制,注意力机制能够突出重要特征,弱化无关信息对检测结果的干扰,消融实验表明该注意力机制能够大幅提升文本检测模型的精度。最后,本文在ICDAR2015、MSRA-TD500和ICDAR2013数据集上进行了实验与分析。本文方法在ICDAR2015数据集上的精确率为87.9%,召回率为83.1%,F值为85.4%,每秒可以检测8.7张图片。实验结果表明,本文提出的方法能够显著提高自然场景文本检测的精确率和召回率,具有较强的实用性。