场景文本作为一种日常生活中的信息载体,蕴含着丰富且精确的信息。因此对自然场景图像中文字的检测与识别在基于计算机视觉的应用中有着广阔的适用范围和极高的商业价值。近年来深度学习的出现为计算机视觉提供了新思路,并在多项基础任务中取得了突破性的成果。由于场景文字在排布、尺度、字体、成像条件等方面均具有高度复杂性,因此对其进行精准定位是一项极具挑战的任务。现有的工作在复杂场景文本检测上已取得了较大进展,但仍存在许多方面亟需改进:第一是如何进一步提高检测准确率,减少误检与漏检;第二是如何精准地检测文本边界;第三是如何简化模型,提高检测效率。针对上述问题,本文基于深度学习算法,从模型特征提取融合、远程信息获取、轻量化等方面,围绕场景文字检测任务展开了一系列研究:（1）针对背景噪声干扰和小尺寸文本漏检的问题,设计了一种基于注意力特征融合与增强的场景文本检测模型（AFFE-Net）。首先,利用注意力机制对有效特征提取的优势,在解码阶段通过提取不同层级特征的细节和全局信息来有效加强特征的信息表达能力。其次,在检测头之前对拼接特征进行通道、空间位置间的关系建模,并生成联合特征权重mask对特征做加权,以此消除背景噪声对文本检测的负面影响,从而有效减少误检与漏检;（2）针对不同尺度文本边缘检测完整性问题,设计了一种基于多尺度联合预测的文本检测模型（MFJP-Net）。首先,通过对多尺度级联特征使用空洞卷积特征金字塔来扩大感受野,从而获取更多远程信息从而对文本边缘进行精准分割。其次,采用双检测头以得到多尺度的预测结果并对其进行融合。此外,在模型训练途中使用Dice损失函数来缓解训练数据正负样本不均衡情况下模型偏向背景的问题,从而提升模型性能,加速模型收敛;（3）针对文本检测模型参数量大,计算时延长,轻量化骨干网络特征提取能力不足的问题,设计了一种基于全局指导双向特征融合的轻量型文本检测模型（BFPF-Net）。首先,通过双向特征融合的方式来增加卷积层数,从而提高网络的特征提取能力。其次,设计全局语义指导分支在特征融合过程中为其补充空间和语义信息,以提高融合特征的信息丰富度。此外,运用深度可分离卷积替代部分普通卷积,从而精简模型复杂度,降低模型的参数量。在不规则文本数据集Total-Text和多方向文本数据集ICDAR-2015上的实验结果表明,本文设计的模型表现良好。在精度P,召回率R、综合指标F1和检测速度、边缘检测完整性上相对于对比方法均有一定的提升。