场景图像中的文字所表达的直接含义对于理解场景内容尤为关键,越来越多的智能应用都使用到场景中的文字信息。但受不同字体、任意排列方向以及复杂背景、光照等因素影响,现有的文本检测方法都具有很多局限性。相比传统机器学习算法,深度学习算法能够学习文本的深度特征,具有更加出色的性能。本文结合分段链接的思想并分别采用位置回归与语义分割的方法设计实现了以下两个文本检测模型:(1)基于特征层融合的表征增强模型。分段链接模型的分层结构包含文本的语义信息不足导致对小文本检测效果比较差,通过加入特征层融合结构解决了该问题。首先使用转置卷积对特征层上采样然后按照自后向前的顺序进行逐层融合。融合特征层既保留了高分辨率的细节特征又加入了强化的全局特征,可以为定位文本提供更准确的位置与边界信息。利用融合特征层检测的F值相比分段链接模型在数据集ICDAR2015,MSRA-TD500分别提高了 1.9%,1.6%。针对加入特征层融合结构后网络加深造成误差传递困难,可能导致网络性能降低的问题,设计了基于残差网络的预测结构。利用跳跃连接结构降低了网络的训练难度,在ICDAR 2015仅用50%的迭代次数即可达到原先的训练损失,并且F值提高1.0%。分段链接模型使用单个矩形定位弯曲文本存在较大误差,因此提出基于旋转角度的片段分组策略。通过将弯曲文本进行分段表示并使用单个矩形对各段文本分别标定有效降低了定位误差。(2)基于语义分割的候选文本过滤模型。针对表征增强模型存在较多背景误检的问题,设计了语义分割结构。利用全卷积神经网络(FCN)获得文本显著图并使用连通分量分析提取有效文本区域,通过过滤候选框内文本区域占比低于阚值的文本有效消除了部分误检,在ICDAR 2015的准确率提高了 5.0%。针对训练过程中语义分割损失向大文本倾斜,导致对小文本判别准确性比较差的问题,设计了文本平衡策略。通过为每个文本实例分配相同的权重平衡了模型对不同尺寸的文本的正确分类性能,增强了模型对小文本的判别能力,在MSRA-TD500的F值提高了 1.0%。对比最新算法在不同数据集的表现,候选文本过滤模型在ICDAR 2013的F值比借助实例分割检测场景文本算法(PixelLink)提高了1 1%。最后结合特征层融合与语义分割实现了 Web端的场景文本检测系统,该系统支持单词和文本行两种定位粒度,可以对部分现实场景中的文本实现准确定位。