自然场景下的文本检测是计算机视觉的重要组成部分,也给我们带来了方便,像对证件照的识别、无人驾驶技术、智能机器人技术等等。作为计算机视觉中的重要组成部分,现在的印刷体文字检测识别技术已经相当的成熟,并且广泛的应在在我们的生活中。然而随着现在对手机、计算机的普及,对多媒体技术应用更加的广泛,图像的背景也更加的复杂。所以在自然场景的复杂性和文字本身的特点下,使用深度学习可以更加精确,快速的检测出图像中的文本行,从而达到文本检测的目的。如何设计一个算法,在对文本检测的时候,可以应对各种环境的挑战,是本文要解决的问题。本文主要基于深度学习网络框架,旨在设计出一个高效、快速的文本检测算法。本文主要研究内容如下:1.在EAST的改进过程中,本文基于空洞卷积算法,将ASPP结构加入EAST网络中,提升检测视野,来实现对长文本,多角度的文本检测,提高检测效果。考虑到上下文信息对特征融合有着较大的影响,在特征融合层后,使用BLSTM算法,将序列特征输出其中,利用上下文信息之间的关联性去估计文本区域,提高文本检测效果。然后对于EAST样本正负权重不合理的问题,将平衡交叉熵损失函数换成Dice Loss与Focal Loss两个函数相加。通过在ICDAR2015数据集上实验,结果表明:该改进策略在准确度上比标准的EAST高6个百分点,召回率上高5.2个百分点,F值高5.7个百分点。和其他的实验算法相比,整体性能都有所提高。2.本文采用轻量型神经网络Mobile Net V2为主干网络。大型网络进行特征提取可以得到丰富的特征,但是,由于在提取过程中可能会导致模型过大,所以本文利用轻型网络替换大型网络,解决参数过大的问题,还能够降低应用时延。3.直接将EAST网络特征提取层中的大型网络替换成轻量型网络,其检测的效果会大大折扣,因此本文在特征融合层,增加空洞卷积模块,通过将两个部分的特征进行融合,利用通道注意力机制对特征进行融合筛选,提高网络中特征的使用效率。最后采用公开的ICDAR2015数据集进行实验对比,验证了本章改进策略的有效性。最后进行了与EAST模型整体性能对比,进一步验证了本文改进网络的合理性与有效性。