复杂背景的文本检测是近几年新兴的研究方向。作为目标检测的一种,文本检测更加复杂,同时也更具挑战。聚类算法常被应用在文本的聚链阶段,传统的聚类算法需要设置两个参数,参数的设置对最终结果影响非常大,并且不具备较强的推广性。当应用场景发生改变时,检测效果将大幅下降。针对该问题本文提出了一种基于参数自适应的层次聚类算法,并通过对汉字这类结构复杂的文本分析,在传统检测算法的基础上提出一种由弱到强的文本检测框架。首先,针对层次聚类算法参数设置的问题,提出参数自适应的层次聚类算法。用高鲁棒性的文本/背景分类器取代分裂阈值参数以增强其泛化能力。分类器的建立是对单个字符和背景区域进行三种高水平特征提取,并进行有监督学习。对于第二个参数提出聚类特征的整合方法,从而避免了不同参数权重的设置问题。通过在不同的数据集上的对比实验,可以验证本文提出的算法对这一问题取得很好的改善效果。其次,本文针对汉字结构复杂的问题,提出由弱到强的文本检测框架。中文通常有多个子部分组成,每个子部分都可能是一个单独的汉字,并且某些子部分十分接近于背景区域。针对这一特点本文提出了从部分到整体、由弱规则到强规则的中文检测框架。先将汉字的子部分与背景进行区分,再进行文本的整合从完整字符的角度进行分析。本文分别在复杂背景英文及中文图片上对算法进行实验验证,通过对比实验可以看出本文提出的文本检测框架对中文的检测效果远远好于传统算法,并同样适用于英文检测。最后,本文针对实际应用平台采集的图片拍摄质量差,从而影响文本检测的召回率的问题,在系统应用层面提出一套完整的图像预处理方案。采用图像预处理算法对噪声进行图像增强及降噪处理,以解决图像低对比度的问题。并且将文本检测算法移植到机器人平台上,并对文本检测进行功能扩展。该系统实现了文本识别、文本翻译及文本网页搜索功能,为机器人提供了一种新颖的人机交互方式。通过对机器人平台采集的图像进行检测实验,可以验证本文提出的预处理方案可以对低对比度问题得到很大程度的改善。