自然场景文本检测旨在对各种现实场景中的文字区域进行定位,它是机器理解现实世界的重要步骤。目前,基于深度学习的自然场景文本检测已经成为计算机视觉领域的重要研究方向,其实际应用领域也越来越多,比如图像（或视频）搜索、字幕翻译、人机交互、机器自动化等。基于卷积神经网络的自然场景文本检测主要分为边框回归和分割两种方法。边框回归方法通常将文本检测视作目标检测领域的子任务,对于弯曲状文本的检测效果不理想。基于分割的方法在对任意形状文本区域的处理上通常比边框回归方法灵活,但是普遍存在两个问题:提取的多尺度特征中存在冗余信息,且该过程容易受背景干扰;基于分割的方法对于文本区域的边界不敏感,导致相邻文本难以区分。针对上述两个问题,本文设计了基于特征筛选和边缘强化的文本检测,它以特征筛选模块为基础,对多尺度特征提取结构进行了改进,使得不同层次的特征能够在相应的输出阶段被高效地利用;而且还增加了边缘强化模块,用来提升模型对不同文本区域以及文本和背景的区分能力,从而提高细微处的检测效果。除此之外,分割方法还普遍存在的问题是对目标区域的监督方式比较单一,而且语义信息不能有效地区分文本和背景。为了解决上述问题,本文设计了基于中心感知和区域约束的文本检测。该算法在区域约束结构中,使用了文字区域的字符个数作为弱监督信息,与原有的分割模型形成了多源监督;区域约束结构由字符感知模块、区域搜索模块以及改进的Seq2Seq模型共同组成,该结构使特征提取和融合网络对于图像中文字的特征信息更加敏感。此外,该算法在分割模块前增加了中心线预测-区域中心感知这一逐级引导的方式,它通过一种由内向外的渐进式扩展策略,使文本区域的语义特征得到了增强。本文的两种算法均在多个公开数据集上进行了测试和评估,实验结果表明,所设计的算法达到了较好的效果。