近些年,信息技术与互联网技术快速发展,与人类生产与生活各个方面的联系越来越紧密。文字,作为人类思想与情感的重要载体,蕴含着十分丰富的高层语义信息,在许多相关技术与实际应用场景中都具有重要地位。与此同时,文字在我们的日常生活中随处可见,这些因素决定了对文字检测与识别的相关研究具有十分广阔的研究价值与应用价值。目前,绝大多数自然场景下的文字检测方法均从字符检测出发,再使用后处理的方法将字符合并成文字条或单词。然而自然场景中存在大量与字符相似、难以区分的背景元素,这导致直接检测字符的难度较高、且稳定性不易保证。同时,通过字符产生文字条或单词的方法对字符检测的性能要求很高,进一步限制了这类检测算法的性能。本文则从文字条检测出发,针对自然场景下的水平文字与多方向文字,分别提出了一种基于文字条的文字检测算法。针对水平文字,本文提出了一种基于对称性特征的水平文字检测算法,该算法通过提取文字的对称性与自相似性特征,结合随机森林直接在图片上定位文字条。针对多方向文字,本文则提出了一种基于全卷积网络的多方向文字检测算法,该算法包含两个全卷积网络,分别用来预测文字块与字符中心。预测得到的文字块通过结合MSER产生多方向文字条,再通过字符中心网络检测这些文字条中字符中心的位置,并通过几何约束过滤文字条虚警,以得到最终的检测结果。我们在多个标准数据集上对这两个方法进行了测试,并与现有算法进行了全面的比较,实验表明这两种算法较以往算法在性能上均有较大提升。