自然场景图像中文字包含了重要的语义信息,对整个场景内容和周围的其他对象的理解具有重要作用。但是因为光照,外观等环境因素的多样性和文字背景的复杂性,场景文字的检测面临着巨大的困难,自然场景文本检测一直都是计算机视觉领域的一个重要方向。本文针对自然场景文本检测提出了两个创新方法:基于多层次文本组件定位与生长的文本检测方法和基于窗口最大稳定极值区域的文本检测方法。在基于多层次文本组件定位与生长的文本检测方法中,首先融合最大稳定极值区域算法和笔画宽度转换算法提取出图像的文本种子像素,基于这些像素,采用字符内和字符间的多层次生长策略将完整字符生长提取出来。然后借助训练卷积神经网络分类器,从上述候选字符中过滤出非文字的候选区域,进一步使用一种基于随机游走模型的文本行提取方法将字符组成文本行作为检测结果;在基于窗口最大稳定极值区域的文本检测方法中,首先基于最大稳定极值区域获得初始图像的最大稳定极值区域平滑图,并在此平滑图上采用滑动窗口获得候选文字区域,称之为窗口最大稳定极值区域。然后依据窗口内的像素分布情况,去除了非文本的窗口极值区域。进一步依据每个窗口极值区域和其所属的最大稳定极值区域的从属关系,提取相关文本特征和训练随机森林分类器,并级联卷积神经网络分类器,用以过滤非文本窗口区域并输出每个字符区域的文本似然度,并采用基于划分子图和剪枝的方法获得文本行检测结果。针对所提出的上述两种场景文本检测方法,本文在多个公开数据集上对其有效性进行了验证。实验结果显示,归功于有效的生长策略,基于多层次文本组件定位与生长的文本检测方法在各个数据集上都能获得相对好的检测结果,尤其是召回率比较高;基于窗口最大稳定极值区域的文本检测方法在应对如中文等包含多组成部分的文字和粘连字符等情况时,能够获得相对鲁棒的检测结果。在后续工作中,上述两种场景文本检测方法尚存在进一步提升性能的潜力。