文字作为传递和承载信息的重要媒介,广泛地存在于人们的日常生活中。场景文字检测是模式识别和计算机视觉的重要研究方向之一,具有非常广阔的应用空间,它在例如教育、金融、医疗、无人驾驶和元宇宙等诸多领域中有着巨大的影响力。然而,场景文字检测依然面临着诸多挑战:一方面,场景文字容易受到光照、模糊、透视形变和杂乱的背景等表观因素的影响;另一方面,场景文字本身也是千变万化的,有着不同的长宽比、语言类型及轮廓形状。本文针对文本图像的表观光照问题和轮廓建模问题开展了一系列研究:（1）基于表观分析的低光增强方法:本论文针对低光环境下,文本信息难以被捕捉的问题,提出了多尺度的低光照图像增强方法。该方法能够模拟低光环境下的成像模型,同时考虑图像的结构信息和纹理信息,从而预测图像的光照分量和噪声分量,达到自适应增强低光文本图像,消除低光环境的影响,使得其中的文字信息得以显现的效果。实验表明,该方法能够增强各类文本检测算法在低光文本图像数据集上的检测效果。（2）基于轮廓分析的文本检测方法:本文针对任意形状场景文字的轮廓建模问题,提出傅里叶轮廓表征对任意形状的文本包围框进行建模。理论上,该模型可以拟合任意形状的闭合曲线。此外,还设计了傅里叶轮廓表征网络,该网络利用深度神经网络对相关特征进行提取和分类,并预测文本实例的傅里叶特征向量,再通过傅里叶逆变换形成时域的检测框,达到在自然场景中检测任意形状文本的目的。该方法在多个文本检测数据集上取得了最优的表现。（3）工程实现与性能优化:本文对所提出的方法注1进行进一步的优化,提升了算法性能同时降低了工程落地的难度。具体而言,该实现以深度学习框架Py Torch和MMOCR为基础,合理构建全自动化的处理流程,并使用快速傅里叶变换以降低算法的计算复杂度,使得本文所提出的方法在性能和速度上有了进一步提升。