自然场景中的文字是人工智能体认知环境的重要信息来源。对自然场景中的文本自主进行检测是人工智能体应具备的基础功能,也对具有自主感知环境和自主学习能力的智能体的应用具有重要的意义,将文字从自然场景中检测出来并依据场景环境和文字内容,推理有效信息是自主智能体适应环境和自主学习的基础。近年来,自然场景中的文字检测是机器视觉发展的关键点,文字检测技术也从原始的传统方法发展到现在以深度学习为主流方法,依靠区域建议和图像分割的方法在深度学习中使用最为广泛。本课题以区域建议技术为基础,对自然场景中的文本检测方法进行研究,主要内容有:（1）自然场景数据集的建立:查阅公开的自然场景数据集,筛选出包含规则文本和圆弧形文本两种不同类型的数据集图片,然后对所有规则文本图片中的文本位置进行人工标注,生成.xml的标注文件,构建一个包含规则文本图片和.xml标注文件的自然场景规则文本数据集,最后再对所有的圆弧形文本图片进行裁剪,裁剪后的图片中仅保留一个圆弧形文本,将标签文件重新选择后存放于.txt标注文件中,构建一个包含圆弧形文本图片和.txt标注文件的自然场景圆弧形文本数据集。（2）规则文本检测方法的选择和改进:针对自然场景规则文本的特征选择了现有基于区域建议的检测网络—Faster R-CNN,首先测试该网络对规则文本数据集中文字检测效果,然后将原网络的特征提取部分改进为Res Net50,同时将ROI Pooling替换为ROI Align,对网络中的参数进行重新的调配,接下来测试改进后网络对规则文本数据集文字检测效果,最后将两者的检测效果进行对比发现:改进后网络相比原网络在综合评价指标（F1）中的得分提高了42%。（3）圆弧形文本检测方法的选择和改进:首先针对自然场景圆弧形文本含有的特征选择了基于区域建议的检测网络—SLPR,然后对网络的结构进行了改进,将SLPR网络中的提取最小文本检测框部分替换为本课题上述章节中改进后的Faster R-CNN网络,接下来同时把两种网络在自然场景圆弧形文本数据集上进行训练和测试,最后比较两者对圆弧文本的检测效果发现:改进后网络对圆弧形文本检测的完整性要高于原网络检测的完整性,还将综合评价指标的得分提高了1.5%。