随着数字化进程的不断推进,无论是文本的数字化,还是视觉问答等以文本为基础的任务,都高度依赖可靠的文本检测方法。随着深度学习研究的不断深入,基于深度学习方法的效果早已远超传统方法,但在复杂场景下的检测效果依然难以令人满意。本文通过对文本检测模型的发展现状进行分析,认为Mask R-CNN系列模型具有良好的性能和发展前景,并且发现该系列模型中大多数是针对任务头的改进,而忽视了增强主干网络和neck提取和融合多尺度特征的能力。为了提升模型上述能力。首先,为了扩大主干网络特征的感受野,本文提出了Res Net P模块。区别于Res Net模块的降维、扩大感受野和升维操作,Res Net P模块由降维并扩大感受野、扩大感受野、融合多尺度特征和升维操作构成,可以在尽量保证模型效率的情况下扩大模型感受野。随后,为了解决主干网络随着深度增加,而出现性能提升小甚至降低的问题,本文提出了ResNetD模块,并重新计算主干网络各阶段感受野与文本检测模型相适应。接下来,本文为了进一步提升主干网络性能,本文测试了当前主流注意力机制的效果,并对性能最好的CBAM进行进一步改进,得到了效果更好的SCAM模块。最后,为了提升neck融合后特征的质量,本文提出了GFPN网络。该网络以特征金字塔网络为基础,通过添加去除冗余特征模块来过滤与下层无关的特征,通过迭代思想和自处理操作来保证多尺度特征的充分融合,三者共同来提高neck融合后特征的质量。在数据集MITW、ICDAR2019-Ar T上的实验结果表明,Res Net P、ResNetD、SCAM和GFPN具有优越的性能,其中Res Net P和GFPN还具有较高的效率,Res Net P和ResNetD普遍适用于Res Net系列网络。除此之外,为了更好的可解释性,本文还通过特征和结果的可视化,更加直观的展示了Res Net P和GFPN给文本模型带来的积极影响。