图像中的文本信息作为信息提取的关键性突破点,如果能将图像中文本信息提取出来并且加以利用,势必可以极大地推动对图像信息的理解,有利于促进虚拟现实、无人驾驶等行业应用的深入开展,给人们生活带来翻天覆地的变化。图像自然场景文本识别的真正困难依然在于对文本的检测上,准确而高效的文本检测成为了文本识别的先决条件。因此本文主要围绕着自然场景文本检测任务进行深入的研究。通过结构优化等方法提升文本检测算法精度,并进一步将之应用于视频流文本检测的实现。由于视频文本具有文本位置和排列方向不固定、文本大小和形状的多种多样、文本背景干扰强等特点,使得传统算法对小感受野文本特征关注不够,从而引起小感受野特征图处理较少不利于后续处理、中层感受野比例不合理等问题,为此本文分别以EAST（Efficient and Accuracy Scene Text,EAST）、DRRG（Deep Relational Reasoning Graph Network for Arbitrary Shape Text Detection,DRRG）算法为基础,找出其在文本检测算法中的不足之处,更新算法结构以达到改善检测率的目标。以EAST算法为基础,针对小感受野文本特征关注不够,小感受野特征图处理较少不利于后续处理等问题,对算法加以改进,设计一种适合文本检测的算法。方法主要包括如下几种方法:替换特征提取网络加深网络层数,使深层网络特征抽象化。采用轻量型网络减少计算量;替换SE模块优化注意力机制;重新设计混合特征金字塔增加对小感受野特征关注度;融入BLSTM（Bi-directional Long Short-Term Memory）网络整合序列特征;替换损失函数加快模型收敛等。本文在DRRG算法的基础上,提出一种适宜于对自然场景视频图像中文本特征提取的轻量化网络结构,以获得文本深层网络特征,并减小文本特征提取的计算量。为改善对小感受野文本区域的关注和该区域文本序列特征,论文设计了一种混合特征金字塔-LC-BLSTM-FABSR网络结构,提出的改进结构在不明显增加计算量的同时,可以有效提高小感受野文本区域的关注度,均衡较大感受野比例,提升整体检测精度。