文本作为场景图像中内容含义最丰富的区域,对于场景的理解分析有着重要的作用,如商标文本、路标文本等均可以涵盖场景下当前视野的重要内容。旨在定位自然场景中文本区域的场景文本检测技术也因其广泛的应用价值受到越来越多研究者的关注。近几年深度学习技术的发展为场景文本检测任务提供了许多优质解决方案,其中基于实例分割的方法因其自顶而下的精细检测过程被广泛采用。然而,由于自然场景中文本形态多变且背景干扰较大,此类方法仍然存在一些亟待解决的问题。本文主要针对基于实例分割的场景文本检测方法中的假阳性问题,并将这一问题细化为两个子问题:（1）文本区域内假阳性问题。基于实例分割的方法在第一阶段进行文本提案框的预测,第二阶段在提案框内部进行文本逐像素分类。然而,低维空间特征可区分性较差,背景像素点在分类时易被误判为前景点,从而造成文本区域内假阳性问题,具体表现为文本边界检测不准确。（2）文本实例假阳性问题。自然场景中存在复杂的背景噪声,其中一些背景区域的空间特征与文本区域空间特征高度相似。由于网络建模过程中上下文信息的缺失,此类背景特征在神经网络中容易被激活,造成文本实例假阳性问题,表现为纯背景区域被误判为文本区域。为了解决上述问题,本文分别从像素级、实例级、区域级三个层级展开研究,具体研究内容如下:（1）像素级语义关联建模。针对文本区域内假阳性问题,本文在高维嵌入空间下对像素级类别特征进行附加约束,并相应设计了像素嵌入分支网络。该网络基于度量学习损失函数聚合边界类特征的表征向量而同时分离边界类与非边界类像素点的表征向量,以实现高维嵌入空间下更精细的类别区分。此外,在推理阶段,本文提出了一种噪声点抑制算法,基于嵌入空间下的特征度量对候选边界点进行二次过滤。（2）实例级语义关联建模。本文通过分析发现像素级局部建模方式因受限于局部特征的表征,整体网络优化稳定性不足。考虑到同幅图像中部分文本实例具有相同的颜色、背景、字体等语义共性,本文进一步从实例级语义关联建模角度出发,通过建模任意两两文本实例的视觉特征关联增强文本可分辨特征表达,并维持网络训练的稳定性。（3）区域级语义关联建模。针对由于网络建模过程中上下文信息缺失所导致的文本实例假阳性问题,本文从区域级语义关联建模角度出发,提出上下文特征增强模块。该模块通过空域特征增强和通道信息融合两个方面实现初始特征的上下文信息增强。空域特征增强模块在多个特征子空间捕获全局依赖关系,并对初始特征进行加权。通道信息融合模块则通过自适应融合全局最大池化及平均池化的通道描述符进行通道特征的选择。基于上述研究,本文在三个通用且具有挑战性的场景文本数据集上进行了方案有效性验证,并进一步开展了消融实验和模型对比分析。实验结果证明,本文的方案可以有效改善文本边界检测不准确问题并进一步抑制检测结果中的假阳性案例,与现有方法相比也具有明显优势。