在场景图像中对文字的位置进行检测,这是计算机视觉技术领域内的一个重要研究方向,在无人驾驶、票据分析、车牌识别、盲人导航、无人超市等各种应用场景里都有着十分重要的研究意义。与传统的光学字符识别（Optical Character Recognition,OCR）任务相比,在场景图像中的文字通常都有着颜色多样、字体大小不统一、背景信息复杂、文字表面遮挡、图像拍摄模糊、分辨率低等诸多影响因素,这些影响因素也为场景文字检测增加了难度。随着近年来机器学习以及深度学习技术的不断发展,许多基于深度学习的场景文字检测算法都有很好的检测的效果。但是目前还存在着一些难题:由于场景图象中文字尺度变化过大,难以通过常规的卷积神经网络捕捉到各个尺度的信息,正负样本的不均衡性也会导致训练难度变大,出现检测结果不稳定的现象。复杂的场景图像也会使检测算法出现误判。目前主流的文字检测算法对于排列复杂的文本行的检测结果也不够精准。因此,本文针对上述问题提出的创新性工作如下:（1）提出一种基于定位置信度与双目标函数集成的场景文字检测算法。该算法根据现有检测算法的不足,设计了定位置信度模块。该模块增加了长文本的中心区域置信度值,抑制非中心区域置信度值,减少长文本被分割的现象。设计多尺度的特征提取网络结构。在特征提取阶段,使用双通道的图像输入,将原始图像以及缩放后的图像同时送入神经网络。特征金字塔网络的结构使得卷积神经网络可以在8个不同的尺度上进行特征提取及特征融合,同时采用反卷积的结构代替不能进行学习的上采样层。采用双目标函数集成的方式进行图像置信度的训练,目标函数分别使用dice loss和focal loss。同时,也设计实验验证了双分支目标函数集成、dice loss+focal loss组合的有效性。设计了基于宽高比和角度差的预测框回归损失NIo U,将预测框和标注框的宽高比、倾斜角度整合到损失函数中,提高了算法的检测精度。（2）提出一种基于Transformer的字符级场景文字检测算法。本文针对现有字符级检测算法由于文本排列密集、文字模糊、图像质量差等因素导致检测效果差的问题,设计了基于Transformer的字符级文字检测算法。该算法根据文本行中的字符顺序设计基于Transformer的编码-解码结构。使用该结构进行字符之间的相关性学习,从而使算法能够输出每个检测框的位置以及顺序信息。同时又设计了基于字符顺序的损失计算方式,保证了检测结果的准确性。综上所述,本文针对场景文字检测任务中文字尺度变化大、长文本检测时文本被分割、单一置信度分支结果不稳定的问题,提出了基于定位置信度与双目标函数集成的场景文字检测算法。针对现有字符级场景文字检测算法对排列密集的、模糊的文字检测效果差的问题,提出了基于Transformer的字符级场景文字检测算法。