文字作为人类感知世界的重要手段,具有强大的表达能力,越来越多的领域需要利用场景图像中的文字信息。由于自然场景图像背景复杂、文本形状多变、尺度不一,目前的场景文本检测算法存在小文本漏检、长文本错检、相邻文本误检等问题,因此如何准确地检测出自然场景文本实例是一项具有挑战性的研究工作。针对上述问题,通过对文本检测算法进行深入研究分析,提出了一种高效的任意形状场景文本检测器:基于特征感知增强和图注意力的自然场景文本检测模型。具体研究内容如下:（1）针对不同尺度的特征融合不充分问题,提出一种多分辨率特征感知增强网络（Multi-resolution Feature-aware Enhancement Network,MFEN）,其核心是双分支的多分辨率特征感知增强模块（Dual-branch Multi-resolution Feature-aware Enhancement,DMFE）。该模块采用并行的双分支结构,上层是具有感受野增强的金字塔池化分支,可以扩大特征图的感受野,将图像中不同尺度文本的上下文信息集成在一起;下层利用加权双向特征金字塔分支,构建两条融合路径,使得信息流可以双向传递,从而增强在每个网络层上对多尺度文本的感知。上下两个分支的共同学习,可以将全局和局部特征聚合在一起,使生成的特征图同时具有深层语义信息和浅层空间信息。在ICDAR2015、CTW1500和Total-Text数据集上进行大量实验表明,提出的MFEN模型可以减少文本错误分割、漏检等情况,在精确率、召回率和综合评价指标方面都有一定的提升,有效地提高了网络的检测性能。（2）针对文本组件之间错误链接问题,提出了一种文本组件注意力网络（Text Component Attention Network,TCAN）。MFEN模型输出高质量的特征图之后,每个文本实例会被划分成一系列小的矩形组件,然后将每个文本组件看作节点,根据节点几何属性构建出局部图。由于邻近节点对中心节点影响程度不同,在更新中心节点特征时,将图卷积网络与注意力机制相结合,利用图注意力网络（Graph Attention Network,GAT）对局部图做进一步的关系推理。GAT网络通过对每个邻近节点赋予不同的权重,来聚合它们的隐语义信息。实验结果表明,提出的TCAN模型可以有效提升文本组件的分类效果,进一步提高网络对自然场景文本的检测能力。