自然场景文本具有紧密的逻辑性与丰富的表达性,能有效提供高层语义信息。随着互联网技术的飞速发展,对自然场景文本的分析与处理也逐渐成为计算机视觉领域的研究热点之一。目前主流的文本检测方法是基于深度学习的文本检测方法,其中图深度关系推理算法（DRRG）使用一种创新性的局部图结构,将文本区域建议网络和深度关系推理网络相连接,实现模型的端到端训练和预测。但也存在一些问题,比如在使用GCN网络学习图节点的表示时容易出现过平滑问题,导致降低模型推理的精度。此外,在特征提取阶段的计算量及参数量较大、网络结构冗余,导致模型训练困难、检测速度较慢等问题。针对上述问题,开展如下研究工作:为解决DRRG算法中使用GCN进行推理时容易产生过平滑的问题,提出考虑文本组件重要性的场景文本检测算法（Scene text detection algorithm considering the importance of text components,CITC）。其使用图注意力机制对图上表示文本组件的节点之间的连边分配自适应权重,能够有效缓解由GCN引起的过平滑问题;使用改进的密度聚类方法对推理后的文本组件进行聚类,减少原算法中使用宽度优先搜索算法的时间复杂度。为进一步减少CITC算法的计算量及参数量、精简网络结构,提出基于CITC的改进算法:轻量化深度关系推理场景文本检测算法（Lightweight deep inference scene text detection algorithm,LDIS）。首先对Mobile Net V2网络中的结构进行精简,删除底部多余卷积层和池化层,精简网络结构并减少计算量;其次通过基于深度可分离卷积的深度特征提取模块,对特征图在空间和通道两个维度上分别进行卷积运算,进一步减少参数量;最后引入通道混洗机制,有效利用不同通道在相同空间上的特征信息,弥补模型特征提取能力。为验证算法有效性,将LDIS算法分别应用于身份证文本检测和营业执照文本检测中。在一定程度上缓解了身份证文本检测受光照强度、拍摄角度影响等图像质量问题,提升了身份证文本检测的准确率。解决了营业执照文本检测受相邻文本区域密集以及文本多样性影响的问题,提升了营业执照文本检测的准确率。