文本作为自然场景图像中一种常见的媒介,本身包含着丰富的语义信息,对图像中的文本进行准确检测则是提取文本信息的第一步。随着深度学习技术的发展,基于目标检测的文本检测方法和基于语义分割的文本检测方法逐渐成为目前解决文本检测问题的两种主流方法。相比于目标检测方法基于文本框的限制,语义分割方法通过对图像像素的预测,更适用于图像中任意形状的文本检测。本文在语义分割方法的基础上,针对自然场景中任意形状的文本检测,提出一种基于多尺度特征金字塔融合的文本检测方法,完成的主要工作如下:1.针对自然场景中距离较近文本定位效果不好的问题,本文提出一种金字塔特征增强模型。通过自顶向下和自底向上两条路径,对不同层级特征图中的信息进行补充增强,使网络能够获得更多的语义信息和位置信息,从而更好地进行分割,提高网络的边缘分割精度。2.针对自然场景中大尺度文本行检测结果不准确的问题,本文提出一种多尺度特征融合网络。利用多通道的网络结构从不同尺度的输入图像中提取特征,然后设计了基于特征图深度的融合、以及基于特征图尺度的融合两种方法,对提取到的多尺度特征进行融合,使网络获取更多的全局信息,从而提高网络对图像中大尺度文本行的检测性能。3.针对图像中任意形状文本行的区域特点,本文提出一种基于聚类的文本区域生成算法。基于分割网络的预测结果,以文本中心核为聚类中心,对图像中的文本像素点进行聚类,从而得到不同文本区域的像素点集。不需要受限于图像中文本行的形状,可以得到任意形状的文本行区域。最后,本文在公开的弯曲文本检测数据集CTW-1500和多方向文本检测数据集ICDAR2015上对本文方法有效性进行验证。实验结果表明,相比于原本baseline算法,本文提出的文本检测算法在弯曲文本检测数据集CTW-1500上,将准确率、召回率和F值分别提升了6.3%、27.3%、20.1%;在多方向文本检测数据集ICDAR2015上,将准确率、召回率和F值分别提升了2.8%、1.4%、1.9%。与目前主流的其他文本检测算法在同一数据集上进行比较,本文方法在CTW-1500数据集上取得了最高的准确率85.0%和较高的F值80.5%,从而验证了本文方法针对任意形状文本检测的有效性。