现如今，人们正处于信息化的时代，研究学者们越来越热衷于从图像中获取所需的信息，而图像上的文本可以帮助人们更好的理解图像信息。因此，提取图像中的文本信息成为了近年来科研界的一个热门的研究任务，而自然场景下拍摄的图像非常复杂多变，给检测任务带来了极大的挑战。传统的机器学习方法已经不能满足任务的需求，得益于深度学习技术的推广和应用，给场景文本检测任务带来了新的机遇和可能性，广大研究学者纷纷将深度学习技术运用于检测任务中，提出了一系列经典的算法。基于此，本论文主要研究的是基于深度学习的场景文本检测方法，共提出了三种不同的场景文本检测方法，分别是:
　　(1)面向难例挖掘的分层级场景文本检测方法。之前很多基于深度学习的方法在进行文本特征的提取时，往往是多层次提取后再在最后一层特征图上进行预测和分类，这样不能充分利用中间层的特征信息。与此同时，网络训练时不注重困难样本和简单样本的区分，导致难样本训练不充分，检测精度不高。针对这些问题，本文提出了一种面向难例挖掘的分层级场景文本检测方法，即HST-DHE(A Hierarchical Scene Text Detector concerning Hard Examples)方法。该方法以全卷积神经网络为基本架构，逐像素预测文本区域，消除预定义锚框，利用特征金字塔分级预测，同时融入难例挖掘的思想，重新设计聚焦困难样本的损失函数，使网络更关注难分样本，进一步提高文字检测的精度。
　　(2)基于生成对抗网络和像素波动的场景文本检测方法。针对基于分割的方法往往不能产生令人满意的分割结果，提出了一种基于生成对抗网络和像素波动的场景文本检测方法，即GAPF(Curve Text Detection based on Generative Adversarial Networks and Pixel Fluctuations)方法。该方法将生成对抗网络引入文本检测领域，以生成对抗网络为主要框架，生成精准的文本分割结果，同时引入像素波动相关概念，将图像的像素波动信息作为一个条件输入到生成器网络中，增强平移和旋转不变的特征，最后，设计新的后处理算法，由分割结果生成文本的边界。
　　(3)基于显著图的弱监督场景文本检测方法。针对全监督方法对数据的标注非常耗时又成本昂贵的问题，提出了一种基于显著图的弱监督场景文本检测方法，即WSSM(Scene Text Detection based on Weakly Supervised and Saliency Map)方法。该方法受显著性目标检测的启发，在场景图像上利用分割网络生成文本区域的类别显著图，然后在类别显著图的基础上，对文本区域进行边界框的标注，最后将带有此标注的图像输入到网络中进行训练，以此代替人工标注。