随着信息时代的发展,网络中各类信息的丰富,越来越多的视频信息在互联网中广泛传播,面对日益增长的视频和图像资源数据,如何更高效,更快速地在繁多的资源中检索和访问到所需信息变得非常有意义。利用深度学习提取特征的方法广泛应用在今天高维度的海量数据处理中,论文对近年来影响力较大的基于神经网络的检测与分类模型做了充分论述,对物体检测模型与文本检测模型做了广泛分析,总结了基于深度学习中物体检测的单步骤模型与多步骤模型的特点,对文本检测中的单步骤与多步骤模型做了分析,对文本检测模型的评价标准做了详尽讨论。论文从场景文本检测模型入手,在深入研究场景文本检测网络模型,熟悉视频图像中字幕文本的特点之后,针对视频场景下文本检测模型对长字幕检测效果差的问题,改进了场景文本检测基础网络模型中的残差块结构,加入空洞卷积以及长卷积核,并对其在原文本检测模型基础上改进的网络做了实验分析。后在详尽分析场景文本检测模型中的针对所检测文本框的融合方法后,针对关于置信度加权平均方法在视频场景下长文本检测的弱点,将其改进为取坐标点集合的第二级值操作,将不放回操作改进放回操作,并去除标准非极大值抑制。论文以tensorflow为开发平台,针对场景文本检测模型的的弱点在网络结构以及后处理做了相应的改进。经改进的残差网络与原残差网络进行效果对比,精准率与召回率效果提升不明显。经改进的文本框融合方法与原方法对比,实验验证在精准阈值较小的情况下实现召回率极大提升,在精准阈值较高的情况下在以损失部分准确率的代价下实现召回率的较大提升。