文字是人类文明史上的重要进步,是人类进入文明时代的标志,广泛地存在于自然场景图像中。人们能够根据自然场景图像中的文字内容了解到所需要的外界信息,如本人所处的地理位置,车辆的行驶方向等。与图片繁琐的表达能力相比,文字表达能力更加简洁明了。目前基于深度学习的自然场景文本检测技术已经广泛应用于生活中的方方面面,如智能化佩戴设备可随时随地拍摄图片并获取信息,手机的拍照翻译功能以及无人驾驶等多个领域。目前由于深度学习技术的快速发展,以及科技水平的提高,文本检测技术也得到了巨大提升,并取得了一些成果。各种优秀文本检测算法模型不断被提出并被完善,文本检测效果也越来越好。除此之外,每年都会有各种文本检测与识别竞赛召开,吸引无数优秀的科研人员参与。本文针对自然场景图像中出现的倾斜文本尺寸不统一问题以及面对复杂场景文本检测准确率较低问题,在一种高效准确的场景文本检测(Efficientand Accurate Scene Text Detector,EAST)算法的基础上,提出一种一阶段文本检测算法。该算法采用强化学习训练一个循环神经网络控制器,选出最优全卷积神经网络结构,提取出文本的多尺度特征。再将其导入输出模块后采用广义交并比算法,增强文本边界框的回归效果。最后通过对损失函数的修改保证正负样本类别均衡。该算法在ICDAR2015数据集中召回率、准确率以及综合指标分别达到0.82、0.88和0.85,能有效检测出自然场景图像中的倾斜文本。最后,针对自然场景图像中出现的弯曲形状文本,本文设计了一种二阶段文本检测算法。该算法通过在用于特征提取的特征金字塔网络中增加新路径,充分利用了模型提取到的浅层特征。再通过自适应特征池化算法对各个尺度的特征进行池化操作,提取到更加丰富的感兴趣区域特征。最后通过采用渐进尺度扩展算法有效分离相邻文本,生成不规则文本检测区域。实验结果表明,该算法在SCUT-CTW1500数据集中召回率、准确率以及综合指标分别达到0.75、0.81和0.78,能有效检测出自然场景图像中的弯曲文本。