随着深度学习技术的兴起和计算机视觉领域的快速发展,自然场景下的文本检测与识别研究得到了进一步的关注和发展,该领域在自动驾驶、盲人导航等场景中具有广泛的应用意义和价值。当前自然场景下的文本检测任务的研究由于文本多样性、环境复杂性和成像不确定性等因素依然面临巨大挑战。本文从实例分割网络Mask RCNN出发,对其进行改进,使用统一的方式完成自然场景下水平、多方向和弯曲文本的检测任务。本文主要的研究工作如下:（1）提出了一种基于可变形卷积和长条形池化的多尺度特征融合场景文本检测模型（Deformable Convolution and Strip Pooling based on Advanced Multi-Scale Feature Fusion Module,DCSP-AMF~2M）。DCSP-AMF~2M主要包括两方面的研究内容:一是针对自然场景中水平、多方向、弯曲的文本特征提取不全面的问题,构建一种可变形卷积结合长条形池化的特征提取模型,使用可变形卷积替代标准卷积有利于提取不规则文本形状的特征,引入长条形池化有利于提高长文本特征提取能力,同时加强文本上下文信息降低文本错检率。二是针对场景中尺度不一的文本检测时多尺度特征融合不充分的问题,构建了一种带有平衡模块的多尺度特征融合模型。将高层网络的语义信息和低层网络空间位置等细节信息进行自顶向下和自底向上的多尺度特征融合,同时考虑不同层之间的特征融合时,每一层仅关注相邻层级的特征信息而出现融合不平衡的问题,通过多尺度特征平衡模块平衡多层级间特征信息。使用ICDAR2013、ICDAR2015、Total Text公开数据集进行实验,结果表明,DCSP-AMF~2M与现有的其它主流方法相比,在文本检测任务上的准确率和召回率都取得了较大的提升,证明了DCSP-AMF~2M的科学性和有效性。（2）提出了一种基于注意力机制的场景文本检测模型（Deformable Convolution and Strip Pooling based on Advanced Multi-Scale Feature Fusion Module with Attention Mechanism,DCSP-AMF~2M-AM）。针对多尺度融合特征后存在融合信息冗余的问题,在DCSP-AMF~2M网络模型的基础上,引入通道注意力机制,有效调整对文本特征和非文本特征的关注程度,提高算法模型对文本和非文本特征的鉴别能力,使得整个网络模型更加关注文本目标本身,增强文本特征的表征能力,降低融合信息的冗余,有效提高文本特征利用率。使用ICDAR2013、ICDAR2015、Total Text数据集进行实验,结果表明,DCSP-AMF~2M-AM在准确率和召回率得到更进一步的提升,与现有其它主流算法相比也取得了较好的表现,证实了DCSP-AMF~2M-AM的科学性和有效性。（3）设计并实现一个自然场景文本检测识别系统（Scene Text Detection and Recognition System,STDRS）。STDRS主要具有文本检测与识别功能和数据标注和收集功能,不仅证明了DCSP-AMF~2M-AM的实际可行性,满足用户提取自然场景图像中文本的需要,而且通过可以提交结果的准确性,尤其是漏检、误检等情况的反馈,以及通过数据的采集和标注增加文本训练样本量,对进一步分析改进和优化改进DCSP-AMF~2M-AM具有重要意义。