作为一种重要的视觉数据信息的提取方式,自然场景文字检测是计算机视觉领域的重要研究课题,它在许多领域具有很大的应用价值。本文以卷积神经网络为基础,对自然场景文字检测算法进行研究,并将其应用到舰船舷号的检测任务中。本文的主要工作及创新点包括以下几个方面:首先,对于卷积神经网络的理论基础进行详细介绍。针对以卷积神经网络为主体的深度学习算法的实现技术,包括卷积核设计、池化的作用、激活函数的选取和训练过程等问题进行详细讨论。然后,在当前最有效的目标检测方法——区域候选网络的基础上,设计并实现了一种基于整体网络和区域候选网络的融合算法,整体纵向区域候选网络(Holistic Vertical Proposal Network,HVRPN)。区域候选网络的核心是运用不同尺寸的锚点框来产生候选区域去拟合目标区域,同时进行分类和回归,从而检测不同尺寸的目标。为了进一步解决不同尺寸锚点的难题,HVRPN方法将候选区域修改为垂直候选区域的集合来突破感受野的限制,从而满足不同尺寸文本的检测要求。同时,基于一种多层融合方法——整体嵌套网络(Holistically-nested networks,HED),将底层特征和高层特征结合,提高不同尺寸文字检测的准确性。论文方法在ICDAR03和ICDAR11数据集中表现出良好的效果。最后,将自然场景文字检测算法应用到舰船舷号检测任务中。针对舷号检测的特殊性对模型进行了优化,并借助迁移学习方法解决了所构建舰船舷号数据集数据量不足的问题,进一步针对舰船舷号数据的不同特征,分类进行讨论和改进,提高算法准确率。