随着文档分析与识别国际赛事（International Conference on Document Analysis and Recognition,ICDAR）的举行和模式识别技术的发展,场景文本图像检测和识别技术成为当今计算机视觉领域的研究热点。场景文本图像是指在自然场景中通过终端设备采集的图像。准确定位出图像中的文本区域并进行语义分析在图像检索和智能驾驶等领域有重要的应用价值。现在关于场景文本检测的算法比较多,但算法的实际检测效果离完美还有较远的距离。算法检测效果较差主要受以下几个因素影响:（1）自然场景中物体边缘纹理与文本纹理相似,（2）自然场景图像中文本的颜色、大小、方向,长宽比都是不确定的,（3）场景图像受光照的影响,（4）场景图像的分辨率不同,（5）场景图像中存在多语言混合文本。截至目前,大部分场景文本检测算法都是针对英文数据集的检测,针对中文数据集和多语言数据集的检测较少。根据以上分析可知,场景文本检测仍是一项具有挑战性的研究工作,因此本文针对场景文字的检测任务做了以下三个工作:1.首先使用场景文本检测算法在中英文数据集中进行实验,在本次实验中我们使用的场景文本检测算法有EAST,Text Boxes++,Psenet和Craft。使用的英文数据集有ICDAR 2013,ICDAR 2015。中文数据集有RCTW和MTWI。然后再基于上述算法对以上数据集中的检测结果分别进行数据分析和图像实例分析,找出上述场景文本检测算法和场景文本检测评估标准存在的不足,为场景文本检测算法和场景文本检测评估标准的改良提供数据支撑。2.通过分析ICDAR 2015 IOU评估标准在Craft算法在不同场景文本数据集上的评估结果发现,场景文本评估标准ICDAR 2015 IOU通过使用固定阈值来判断检测区域是否检测成功,该方法在评估得分计算上存在误差。并且ICDAR 2015 IOU只计算一对一的检测得分。基于上述问题,我们提出一个基于字符的场景文本检测评估标准（TightnessCalculation Text,TCT）:首先利用图像中的文本行字符信息将文本区域进行切割,然后根据检测区域与标注区域的相交比例,通过事先定义好的得分规则进行文本行得分计算。其主要遵循以下两条规则:（1）同一个文本区域最多得分1分;（2）根据检测区域相交的比例计算单字符得分。由于TCT评估标准对弯曲文本和文字分布不均匀文本评估效果较差,我们又基于TCT提出基于单字符标注的评估标准（One detection text Calculation to Many ground true text,cTCT）。通过对比实验分析,TCT和cTCT在场景文本检测数据集中的得分计算都比较合理。3.针对上述实验中发现的场景文本检测算法Craft的不足之处进行分析并加以改进,提出拉普拉斯融合双分支算法网络（Laplacian connected two branch network,LCT）。首先使用高斯拉普拉斯算法对场景文本图像进行边缘检测,然后将其与原图像进行通道融合并输入到特征提取网络中,利用文本行的特征和文本行中字符区域的特征对图像中文本行区域进行分类预测,该算法和现有方法的不同是,该方法能够分别基于文本行特征和字符特征进行文本区域预测。将上述算法检测得到的检测结果与原算法的检测结果进行比较,改进后的算法在中文数据集和英文数据集的检测精度均有所提升。