针对目前自然场景图像中的文本检测存在的问题,本文对自然场景图像中的文本检测方法进行研究。本文设计了基于卷积神经网络的端到端的文本检测框架,实现提高文本检测精度、降低检测模型复杂度的目的。本文的主要研究内容如下:1.基于自适应特征选择和尺度损失函数的文本检测方法。日常生活中的文本非常多样化,并且存在许多杂乱的背景,为了解决这些问题,本文提出了一种自适应特征选择的神经网络。这个网络由两个部分组成,第一个部分是使用Res Net50作为我们的基础网络框架,用来提取特征,在该网络的conv3＿x到conv5＿x步骤,我们使用可形变卷积替换传统的卷积;第二个部分是由特征金字塔网络和自适应特征提取模块组成,在使用特征金字塔融合基础网络提取的特征之后,额外添加了一个通道注意力机制,自适应选择通道重要性。该设计有利于弯曲文本检测和背景信息的过滤。基于图像中文本的尺度大小和文本的高度特征密切相关的特性,本文提出了尺度相关的损失函数,该设计有利于减少小文本被漏检的现象。我们在四个公开数据集上的实验结果显示,本方法在仅增加少量参数的情况下,极大地提高了文本检测的精度。2.基于多层次特征融合与注意力机制的文本检测方法。图片拍摄视角和文本本身大小不一引起的尺度多变性和背景杂乱仍然给文本检测带来了挑战。本文提出了一种多层次特征融合与通道特征选择的文本检测器来检测文本。该网络主要由两个部分组成:第一个部分使用Res Net网络作为基础主干网络,将其conv4＿x层的特征送入空洞卷积池化模块（DCPN）,再将DCPN模块获得的特征和特征金字塔网络获得的特征相连接。第二个部分为注意力机制模块,在上一个部分获得的特征之后接注意力机制,该部分在通道注意力的基础上换掉全连接层,用一个卷积来实现不同通道间的信息交流,考虑当前通道和其k个邻域通道的信息交流,增强神经网络提取特征的能力。本方法在ICDAR2015、TD500、CTW1500、Total-Text数据集上进行实验,实验结果表明,该方法能显著提高自然场景文本检测的精度,在一定程度上优于当前最先进的方法。3.基于级联特征融合的文本检测方法。复杂度和准确率一直是相互制约的,一般来说,准确率越高,复杂度也会越高。这给文本检测的应用带来了一定的困难。本文提出了一种低复杂度、高准确率的文本检测网络。该网络主要由特征提取部分和两个级联的特征增强模块多次融合组成。首先是特征提取的部分,我们使用Res Net网络来提取基础特征。在多个残差块单元中融入注意力机制,用极少的计算量多次充分地让相邻通道的特征进行交互。并在获得多层次特征之后进行特征降维为下一步操作减少计算量。第二个部分是级联特征融合,在该部分用“U”型的网络结构（FPEM）自上而下、自下而上进行特征增强。而且FPEM模块的参数量很少,所以可以将其进行级联,充分融合特征。最后再通过逐元素相加的方法组合FPEM获得的不同尺度的特征图。在四个公开数据集上的结果显示,本方法在准确率提升的情况下,降低了模型的参数量。