自然场景图像中的文字包含了丰富的高层语义信息，能够帮助计算机更为准确地理解图像内容。图像中的文本信息在语言翻译、自动驾驶、图像检索、人机交互、增强现实等应用中有重要作用。由于图像背景干扰、光照和视角变化等因素，场景图像中的文本检测和识别都是模式识别领域的难题。　　本文研究基于连通域的场景文本检测方法，提出了一种平面化的最大稳定极值区域方法。该方法能够在不需要训练的情况下，有效快速削减大量重复的最大稳定极值区域，以提高场景文本检测的速度和准确率。在ICDAR2013鲁棒阅读数据集上，我们的方法能够削减70％冗余的最大稳定极值区域，并且相比传统的最大稳定极值区域，程序运行速度能提升接近一倍。　　和其他的方法作比较，我们的方法仅需要对文本和非文本连通区域训练分类器，所需的训练样本较少，不需要太长的训练时间。对最大稳定极值区域的削减极大地降低了计算复杂度，提升了运行效率。实验结果亦能达到当前最前沿的方法的性能，表明了该方法的有效性。