随着深度学习技术的逐渐成熟,自然场景下的文字检测与识别得到了更好的发展,场景文字相关技术可以应用与路牌识别、车牌识别、实时翻译以及场景分类等领域。区别与普通的文档图像检测与识别,以自然场景为背景的图像往往更具有挑战性,由于其背景极具复杂性,会受到各种干扰因素的影响:光照、相似背景物、文字的多样性和图像模糊等。本文将针对自然场景下的文字检测模型展开探究,主要工作如下:（1）详细研究了传统场景文字检测方法以及经典的基于深度学习的检测方法,详述了每个方法的实现原理以及其中的关键技术。分析了自然场景文本检测不同于目标检测的难点,针对难点以目标检测模型为基础进行改进优化,分析研究了三种基于深度学习的经典场景文字检测模型。最后依次将三种模型在公共数据集上复现,将几种检测模型进行对比实验,并对实验结果进行分析,作为后续章节研究的切入点。（2）提出了一种基于角点注意力机制的场景文本检测方法（Method based on Corner Attention Mechanism,MCAM）。通过将特征金字塔引入到特征提取网络中来实现多尺度检测,并且由于直接回归生成的边界框效果并不好,通过将注意力机制加入到边框回归中来实现场景文本区域的检测,可以有效提升回归任务的效果。并且在网络模型训练中,提出使用增加权重因子的交叉熵损失函数来改善训练集中正负样本不平衡的问题,从而降低模型的错检率。（3）提出了一种基于迭代空间变换网络的弯曲文本检测方法（Method based on Iterative Spatial Transformation Network,MISTN）。针对自然场景中存在很多弯曲文本图像,使用经典模型检测效果不佳的问题,在前面研究的基础上,使用迭代空间变换网络将弯曲文本进行图像修正,再作为第三章检测模型的输入。这使得整体的文本检测模型有更好的泛用性,并且能够更好地与识别分支衔接。将迭代思想引入到模型中,通过多次将矫正后图像再次作为输入进入矫正网络来提升最后矫正网络的可视化效果。