字符区准确且快速的定位，是有效提取图像中字符信息的首要步骤。然而，因为文本与图像背景一样复杂,具有不同的大小、类型和排列方式，所以文本检测仍然是一个重要且困难的问题。目前，国内外的研究成果越来越多，可是这些方法在实际的应用中，其可行性、精确性和算法的实时性，仍然不能被同时满足。因此，研究低复杂度、有效的文本检测算法在图像分析技术中具有重大意义。本文着重于研究低复杂度、有效的文本检测算法，主要工作有：(1)针对已有的LBP算法自适应性弱的缺点，提出一种自适应阈值的LBP算法。该算法利用全局及局部的像素灰度均差来决定自适应阈值的大小，能最大限度的去除复杂背景。其中，全局的像素灰度均差用来区分整个图像的纹理，局部像素均差则用来加强局部纹理的区分度。实验结果显示，此算法不仅自适应性强，而且在灰度范围内具有严格的单调不变性，纹理分类能力强。(2)针对已有的区域生长算法复杂度高的缺点，提出一种低复杂度的区域生长算法。该算法采用近似圆替代多角度旋转的长方形作为掩模，覆盖多方向性判决，简化算法，降低其复杂度，遍历整个图像，然后根据窗口内密度大小确定种子像素，合并相邻类似像素，形成文本区域。实验结果显示，本文算法不仅算法复杂度低，而且与原区域生长算法等效。(3)为了全面的验证本文算法的有效性和可行性，将原LBP算法、自适应阈值LBP算法、原区域生长算法和低复杂度区域生长算法这四种算法组合，统计相应性能指标，做出实验分析。实验结果显示，本文所提出的基于自适应阈值LBP的低复杂度区域生长算法，在复杂背景情况下也能取得较高的检测率，具有良好的自适应性和实用性，并且算法复杂度低。