文本检测是一种利用相关算法提取图像中文本区域的技术,用以实现对自然场景下或电子版文档中文字的检测,其在场景解析,即时翻译等领域有着广泛应用,并在计算机视觉研究中扮演重要角色。文本检测分为基于机器学习的方法和基于深度学习的方法,与基于机器学习的方法相比,基于深度学习的方法能够不断的优化检测网络,在检测速度、精度和适应各种不同应用场景的能力方面有很大提升。但是,受到传统CNN网络、特征融合和文本形状复杂等因素的影响,导致检测网络出现了文本特征保留能力弱、相邻文本特征判别能力弱、特征金字塔路径冗长减慢推理速度等问题。为此,本文提出了三种全新的文本检测网络,极大提高了文本检测的精度和速度,本文核心的工作思路如下:（1）提出了一种基于注意力机制与特征增强的文本检测网络。引入注意力机制模块提高特征提取网络对文本特征的保留能力,并根据文本特性对特征提取网络结构进行改进,通过将文本特征进行具象化分类处理与可形变卷积相结合,能够更精细的表征文本信息,从而获得更丰富的文本特征以减少信息的丢失。（2）设计了一种基于特征融合与权值映射的文本检测网络。引入条形池化和特征融合模块,利用高、低语义的融合特征进行非局部注意的细化以判别相邻文本的特征。引入权值映射模块,利用不同文本特征生成权值的唯一性,与对应特征金字塔每层特征相乘以缓解特征融合带来的混叠效应,从而提高文本检测网络判别相邻文本特征的能力。（3）探索出了一种基于Transformer网络与空洞解码器的文本检测网络。将无卷积的Transformer与文本检测网络结合,使用空洞解码器代替传统的金字塔结构,并通过实验调整网络结构和相应的数据参数以获得最佳的检测模型。与本文提出的前两种方法相比检测速度得到提升,与现有的文本检测方法相比整体性能更优。