信息化时代的来临,从大数据中挖掘更多的有用信息成为一种价值导向。而文本是获取信息的重要渠道,在自然环境中,文本信息无处不在,随着计算机视觉领域技术的不断发展,将自然场景中的文本信息转化为数字信息对提高机器对场景的理解能力有着重要的作用。神经网络的快速发展,使得基于深度学习的检测算法成为主流方法。本文通过对文字检测领域的主流算法进行研读,梳理了各类文本检测算法的流程和方法,主要包括基于目标检测的文本检测算法和基于实例分割的文本检测算法,在分析了两类算法的优缺点后,在可微分二值化文本检测算法的基础上,提出了一种基于文本特征增强和文本特征自适应融合的文字检测算法,该算法的主要工作如下:（1）为了解决基于分割的自然场景文本检测算法中语义信息丢失,导致大尺度文本漏检的问题,提出一种特征增强网络。通过向特征金字塔的原始分支中注入更多的空间上下文信息,对顶层特征图中的信息进行补充增强,减少顶层特征在向下传播过程中的信息损失,使特征金字塔获得更多的语义信息,更好的指导分割,提高了网络的分割精度。（2）为了改善不同层次的文本特征在融合时的冲突问题,提出一种文本特征自适应融合网络。不同尺度大小的文本在经过卷积网络后会被映射到不同层次的特征中去,可能会造成文本样本在某一层次特征图中被标定为正样本,而在其余层次的特征图中却被标记为负样本的情况,直接融合这些特征会得到一个次优的结果。自适应的文本特征融合网络,通过学习得到每个特征图的空间权重矩阵,然后以加权融合的方式,生成分割网络需要的较优特征图。最后,本文在公开的多方向文本检测数据集ICDAR2015和弯曲文本检测数据集Total-Text检测数据集上验证了算法。结果表明,在Total-Text数据集上,本文提出特征增强模模型和自适应特征融合网络将baseline的综合指标分别提高了1.36个百分点和1.1个百分点。在两个数据集上,与目前的主流算法相比,也具有一定的竞争力,特别是对弯曲文本的综合检测指标取得了85.4%的。从而验证了优化算法的有效性。