自然场景文本检测的主要任务为在自然场景图片中检测出文本区域。检测并识别文本为理解图像提供了先决条件。因为近几年来深度学习在图像领域有了根本性的突破,所以目前有关场景文本检测的工作都是基于深度学习技术。虽然卷积网络带来了巨大的进步,但是该领域仍然有很多问题。第一,现有的模型不能根据用户需求自动调整自身复杂度;第二,如何精确检测不规则形状文本;第三,如何在不使用已有的层标准化技术的情况下直接高效训练场景文本检测模型。针对这些问题,本文做了一些工作。其中主要的贡献包括:本文设计了一种结合了MSDNet和空间划分的文本检测模型。场景文本检测领域具备很高的实用性,因此如何设计适应实际应用中的硬件水平的模型来进行场景文本检测是一项非常重要的任务。该工作利用MSDNet具备多输出端口的特性,从而根据硬件条件来自动选择输出端口;并且通过空间划分配合MSDNet不断划分数据集来获得更高的分类精度。本文提出了一种基于宽度放缩的不规则场景文本检测方法。实际应用中文本的形状多端,如何检测不规则的文本是当前的一个难点。现有的放缩算法不仅需要文本的全局感受野,而且需要提前约定放缩比例。而基于宽度放缩的方法首先根据文本宽度对文本框进行缩小,然后通过非等距放大将文本框还原至原有尺寸。该方法在放缩时仅需文本高度作为感受野,其要求小于现有放缩算法所使用的全局感受野,因此预测的文本框边缘更为准确。本文设计了一种场景文本检测模型的直接训练方法。现有的模型都是基于在Image Net上预训练的基本网络,如果想要训练自己设计的基本网络,则需要重新直接训练整个模型。如何从头开始直接高效训练整个模型便是一个关键问题。在该工作中,我们发现了模型在不用批标准化技术（Batch Normalization）和组标准化技术（Group Normalization）下使用高学习率难以训练的原因,并且发现中间层中心偏移的原因在于卷积核中心偏移。最后我们用卷积核中心化解决了中间层中心偏移的问题,并且使用卷积核方差标准化和卷积核正交约束来解决模型训练爆炸的问题。