文本检测作为计算机视觉领域中的一个重要研究方向存在着广泛的应用,如自动驾驶、视频分析、工业检测和智慧城市建设等。标牌图像主要由奖牌、门牌、标志牌和警示牌组成,具有如时间、地点、荣誉、祝福等丰富的语义信息,因此准确地检测出自然场景中标牌图像的文本信息可以极大地便利人们的日常生活和国内外交流。此外,与常见自然场景文本如门店牌匾、交通标志牌、广告牌和宣传栏不同,标牌图像的背景颜色和样式多变,许多背景极易产生噪声;同时其不同位置文本的大小、颜色、样式、字符间距差异较大,具有一定的检测难度。因此研究标牌图像文本检测有助于推动其在工业、教育、智慧城市建设领域的快速发展,具有较大的研究意义和实用价值。但目前并未有公开的标牌图像数据集,同时自然场景下的文本检测还面临诸多难点,如文本颜色、字体和排列千变万化、背景复杂多变、图像失真等。因此,本文主要研究工作为标牌图像数据集的构造和自然场景下标牌图像文本检测算法,其主要内容如下:（1）构造了标牌图像数据集。本文构造了含有600幅图像和2359行文本的水平标牌图像数据集与含有1600幅图像和7083行文本的多方向标牌图像数据集。数据集的语言为中英文混合。在数据集构建阶段,首先对公共数据集的构造和图像文本特点进行分析,然后采集、拍摄自然场景下的标牌图像并对图像进行标注,标注方式为文本行级的四点标注。最后,对标牌图像数据集进行多角度分析与统计,帮助后来者增强对数据集的理解并为其自建数据集提供经验。（2）提出了一个基于MSER和SWT的标牌图像文本检测算法（MS）。针对水平标牌图像数据集文本特点,本方法首先通过MSER和SWT对输入图像进行候选文本区域的提取与优化;之后,通过启发性规则和一系列筛选规则去除非文本区域;最后,将候选文本区域聚合并根据文本行形态特征过滤非文本对象,得到最终的检测结果。实验对比结果显示,本文算法的P、R和F值均高于对比算法,可以有效地检测水平标牌图像的文本信息。（3）提出了一个基于注意力机制与SPP的标牌图像文本检测模型（CS-DBNet）。首先,改进DBNet检测模型的特征提取模块,将FPN提取的高层特征输入引入的CBAM注意力模块中,之后将优化后的特征图与低层特征图融合得到FPN路径融合特征图。此外,本方法还引入SPP特征提取通道,将CBAM优化后的特征图进行融合,之后再通过SPP模块进行多尺度融合得到SPP路径融合特征图。最后,将FPN路径融合特征图与SPP路径融合特征图一起输入CONCAT层,从而得到蕴含更多文本信息的融合特征。三个数据集的实验对比表明,本文改进方法可以有效地提高检测模型性能并且具有较强的竞争力。该论文有图40幅,表8个,参考文献59篇。