图像是当今社会中一种重要的信息传播媒介,准确高效的文字检测方法有助于人们分析和理解图像中的语义信息。自然场景下的图像文本检测方法主要分为传统的自然场景文本检测方法和基于深度学习的自然场景文本检测方法。传统的自然场景文本检测算法因为存在检测效率低和准确率低的问题正逐渐被基于深度学习的自然场景文本检测方法所替代。但是基于深度学习的模型通常具有较深的网络结构,各层网络在提取图像特征的过程中存在丢失重要特征的问题,同时自然场景下的图像具有复杂性和多样性的特点,这在很大程度上限制了模型的泛化能力和实用性。针对以上问题,本文提出一种基于卷积神经网络的自然场景图像文本检测方法,一方面通过关注和提取网络运算过程中的图像特征提高模型的鲁棒性和准确率,另一方面通过对模型算法进行优化,提升模型在复杂自然场景下的适用性。本文的主要研究工作如下:（1）提出了一种多粒度特征融合的自然场景图像文本检测方法。首先,结合多粒度认知思想对网络层进行粒度结构划分,提取特征网络中不同的粒度信息;然后将不同粒度信息进行特征融合,利用残差通道注意力网络增加对不同粒度信息的关注度;最后,通过计算网络输出的特征图得到多个预测文本框,结合非极大值抑制算法筛选得到最终的检测结果。（2）提出了一种基于卷积神经网络的任意形状文本检测方法。首先,为了更好地提取图像中的重要特征,采用多粒度特征融合网络提取出图像的特征信息;然后通过一种基于边缘检测的文本框回归算法根据上层网络输出的特征图对文字边缘计算,最后输出模型预测的边界框。实验结果表明,本文提出的模型在多个数据集中都取得了很好的效果。在几个常用的自然场景图像数据集上,本文模型在精确率、召回率等指标上都要优于对比方法。最后,本文以一个自然场景图像文本检测系统为例,测试了模型在实际自然场景图像下的文本检测能力。