近年来,随着互联网产品需求量不断增大,越来越多的方面需要用到图像中的文本信息。目前关于自然场景文本检测算法大多采用深度学习算法,其不足是普遍缺少特征级的精细化,导致原本设计良好的模型不能被充分利用。另外由于卷积运算基于局部感受野,需要经过多个卷积才能解决长效依赖问题。针对这两个问题,提出将特征融合和特征金字塔注意力模块应用到自然场景文本检测,以提高检测效果。本文主要工作如下:1.从深度卷积网、基于深度学习的目标检测框架、语义分割与实例分割以及现流行的自然场景文本检测算法这几个对场景文本检测相关方面进行分析与总结,为后续提出的基于特征融合的场景文本检测算法和基于特征金字塔注意力的场景文本检测算法的研究奠定理论基础。2.在基本特征提取网络(Pixel Link算法)的基础上设计并实现了特征融合模块。对于深度网络来说,较深层包含更多的语义信息,但是分辨率较低,对细节感知能力不强,而浅层包含更多的内容描述、位置和细节信息,但是语义信息较弱。特征融合可以使各层级的特征信息结合在一起,从而增加特征映射层的信息量,进一步提高性能。实验结果表明,相较于Pixel Link算法,基于特征融合的场景文本检测算法在ICDAR2015和ICDAR2013数据集上综合指标(F-measure)分别提升了0.36%和3.85%。3.在基本特征提取网络(Pixel Link算法)和特征融合的基础上设计并实现了特征金字塔注意力模块。采用注意力网络可以增大感受野的同时不提高计算力,而空间金字塔结构可利用不同的网格尺度或不同的扩张率融合多尺度的特征信息。特征金字塔注意力模块包含精细化金字塔网络分支、非线性变换分支以及全局平均池化分支。精细化金字塔网络分支采用从粗到细策略,在不增加计算力和参数的情况下使更高层具有更加丰富的特征。实验结果表明,相较于Pixel Link算法,基于特征融合和金字塔注意力的场景文本检测算法在ICDAR2015和ICDAR2013数据集上综合指标(F-measure)分别提升了2.91%和4.04%。