随着深度学习在目标检测领域的日益深入以及计算机视觉和自然语言处理技术的日益结合,对图片中的文本信息进行提取成为了后续处理的前提。尽管目标检测领域越来越多兼具精度和速度的优秀模型相继被提出,但是这些模型对于自然场景下的文本检测往往表现欠佳,文本检测有别于一般的目标检测的地方主要在于文本自身的特点,自然场景下文本的表现形式丰富多样,比如文本字符的长宽比差异较大,小文本目标难以识别,文本区域的并排和粘连等,这些特点给文本检测带来了较大的挑战。针对文本字符长宽比差异较大导致目标检测不完整,漏检率高的问题,本文提出了基于FPN架构改进的目标检测算法。首先使用SE-Resnet作为主干网络,在强化网络的特征提取能力同时加入空洞卷积提升特征层的感受野,SE-Resnet的squeeze和excitation操作可以使得网络在训练中学习到不同通道的权重。通过只融合相邻尺度的特征,使得到的特征信息更丰富,然后将不同尺度的特征图通过位置增强模块学习到特征图不同位置的权重,最后通过设置不同比例的anchor,确保映射回原始图像得到的检测框能更匹配到真实文本区域。由于特征融合了高层语义与浅层位置信息,网络有效的提升了文本的检测能力,实验结果表明这一算法框架达到了较高的精度。针对文本目标太小导致网络无法检出的漏检问题,本文提出了基于区域卷积增强的文本检测算法。网络架构借鉴U-shape的思想,通过提出的区域卷积模块将不同尺度特征映射成真实的文本形状,这些特征最后经过上采样后与前一层结合作为解码器。输出包含score map和预测输出区域,该区域以四边形形式进行输出。在得到文本真实标签的最小外接矩形框之后,模型执行时会对特征图中每个像素预测其到矩形框四个顶点的坐标偏移。实验结果表明基于语义分割的算法可以有效预测小目标文本,减小漏检率。针对文本区域出现粘连排列导致漏检的问题,本文提出了关系增强注意力监督的文本检测算法,算法对于高层次的特征使用不同比例的anchor进行回归,最浅层的特征图可以给出像素级的预测和热图输出,利用关系增强注意力模块对该层特征进行监督,最后将高层次特征与浅层次特征分别得到的预测框使用非极大值抑制得到最终的输出。高层次的特征可以给出较大文本的精确预测,而浅层特征则针对较小文本给出精准预测,所以算法最终将高层次特征和浅层次特征一起融合,将二者的优势进行结合,实验结果表明,本算法比单独使用分割和检测的算法效果有较大提升。为了验证本文提出的算法的有效性,本文采用了多组公开的文本数组,包括ICDAR2015,ICDAR2017 RCTW和MSRA-TD500。通过实验对比,本文提出的新的模块能有效解决上述文本检测中存在的问题,对比当前较先进的文本检测算法也具备一定的优势。