随着互联网技术的飞快发展,文本检测在智能交通、视频检索等领域中具有重要应用。本文总结现有文本检测技术的相关研究与技术基础,针对场景检测中文本存在的倾斜、光照、背景结构复杂等问题,以及中文检测难题,结合深度学习方法与传统文本检测方法的优点,提出了两种中文文本检测算法来挖掘自然场景图片文本语义的深层信息,主要工作内容如下。(1)针对传统的自然场景文本检测方法存在精度较低,速度较慢,以及文本行在任意方向排列时的检测难题,提出在YOLO实时目标检测模型(You Only Look Once)基础上,添加最大极值稳定区域MSER检测算法(Maximally Stable Extremal Region),同时引入GIoU改进边框回归损失函数。改进的模型能充分利用YOLO模型的快速性以及MSER算法在倾斜角度检测上的优势,实现快速精准的任意方向文本行的检测。实验表明,该算法在公开数据集上的F-score达到53.1。(2)针对自然场景背景模糊、低对比度等高噪点造成的检测困难,直接改进YOLO深度卷积神经网络模型。算法主要思路:在YOLO深度卷积神经网络模型中添加旋转建议模块(Rotation Proposal Module,RPM),重新设计针对角度的损失函数,调整优化YOLO特征金字塔网络结构与初始化锚点框参数,从而让YOLO模型自带旋转角度检测功能。实验表明,该算法与(1)算法进行比较,其精确率提高了2.8%,F-score达到54.6。