随着互联网和智能设备的不断发展,通过拍摄可以将自然场景记录成图片的形式,并通过互联网传播和分享。自然场景图像中含有丰富的文本信息,利用深度学习等技术从场景图像中提取的文本信息可应用于智能交通导航、文本检索和翻译、银行票据识别等诸多领域。由于智能设备的拍摄角度影响,自然场景图片中的文本多数呈不同倾斜角度排列,增加了检测难度,如何从场景图片中精准提取多角度文本信息成为文本检测的热点研究领域。本文对自然场景多角度文本检测任务进行了深入研究。首先,为扩充中文数据样本,采集并标注了自然场景中适用于铭牌、车牌、街景商铺、路标等文本内容检测的图像,构建了一个适用于多角度文本检测的中英文混合数据集TDS,与ICDAR2013、ICDAR2015作为本文实验的数据基础;其次,为解决图片中文本方向杂乱、受复杂场景影响导致特征提取效率低和受文本角度影响导致检测准确率低的问题,基于深度学习技术,研究了多角度文本图片文本方向预测模型、特征提取模型和检测模型三个任务;最后,为体现研究方法的有效性,将研究的三种方法应用到一个多角度文本检测系统。论文的主要工作如下:（1）研究了基于深度学习的多角度文本分类模型与特征提取模型。使用VGG16进行图片文本方向分类,针对参数冗余导致训练过拟合问题,经过混合剪枝的方法改进,移除部分重要程度排名较差的参数,找出一组最优参数子集,从而压缩模型参数,使用TDS数据集训练,并与原网络、使用其他剪枝方法后的训练结果对比,发现模型有效压缩且训练效率更高。使用darknet53作为特征提取网络,针对网络不同尺度特征图的检测过程中特征损失问题,提出一种融合浅层信息的网络来训练并提取文本特征,使用TDS与ICDAR数据集进行实验,结果表明训练效率提高。（2）研究了基于YOLO的YOLO＿BOX多角度文本检测模型。针对YOLO算法的定位目标结果使用水平矩形框进行描述,导致不能有效检测倾斜文本框的问题,提出一种改进的YOLO＿BOX文本检测算法,通过目标候选框预测、聚类过滤与角度矫正步骤,使优化后的算法适用于自然场景中多角度文本区域检测。使用TDS数据集和ICDAR数据集训练,并与原算法及多种检测算法对比,结果表明具有更好的准确率和召回率。（3）研究了基于改进算法的多角度文本检测系统。使用研究的三种方法设计了一个完整的文本区域检测流程,运用Python语言对检测系统的各功能模块进行程序设计,系统实现了对输入图片直接进行文本区域检测的功能,该系统更好的适用铭牌检测、车牌检测、街景检测等多种场景下的多角度文本内容检测。