近年来深度学习的广泛应用对自然场景下文本检测任务的发展提供了新的动力。为了进一步提升文本检测方法的性能,本文提出基于位置感知的特征选择文本检测网络和基于性能导向的多阶段特征文本检测网络,从特征利用的角度来提升文本检测的性能。在常用的自然场景数据集中,文中的方法可以实现目前最优的检测效果。文本检测方法中基于直接回归的文本检测方法因其简洁的网络结构和稳定的检测效果受到了广大科研工作者的关注。这类方法在检测精度方面仍有所欠缺,特别是对长文本和大型本文的检测,难以准确预测文本边界。因此在需要精准文本检测结果的场景中,其实用价值受到了巨大的影响。为了解决这个问题,本文提出了一种新颖的基于位置敏感的特征选择网络。文章提出基于直接回归的文本检测方法之所以难以获取准确的文本边界,是因为其仅利用单一位置的特征直接预测一个完整的文本框。这种方法不仅限制特征的利用效率,同时没有考虑到文本框不同组件对特征不同的需求。文中提出的方法将多方向文本框进行拆解,利用单一位置的特征分别预测框组件,然后将准确预测的组件进行合并得到最终的检测框。该方法极大程度上提升了特征的利用率,同时因为考虑到不同组成成分对特征的不同需求,更准确的组成成分被预测,从而获得更加准确的文本预测框。随着硬件算力的提升和优化方法的进步,深层神经网络可以得到有效的训练。位于深度神经网络不同阶段的特征包含不同的特征信息。在文本检测任务中,文本目标的多样性使不同检测目标对特征的产生了不同的需求,因此如何合理利用网络不同阶段的特征成为提高文本检测任务性能的一个突破点。在现有的工作中,大部分工作通过先验知识实现了检测目标和不同阶段特征的匹配,使不同阶段的特征针对不同的检测目标进行训练。但通过先验知识实现特征与检测目标的配对是不可靠的,主要原因是难以构建先验信息来全面且准确表达特征和目标的适应性。针对这种情况,本文提出了基于性能导向的检测目标分配策略。在这个策略中可以根据检测目标在不同阶段特征中的表现,来判断其在各阶段特征上的适应性,然后根据获取的适应性指标来控制检测目标对每个阶段特征训练的影响。实验证明这种分配方式,可以很大程度上提升网络在文本检测任务上的性能表现。