文字是图像中极为常见的视觉元素,包含了丰富而准确的高层语义信息,可以更好地表达场景视觉内容,对人们描述和理解图像具有重要帮助。自然场景文字识别在地图定位,盲人导航,图像检索,人机交互等诸多领域有广泛的应用前景。本文的研究课题为自然场景的文字检测,它是文字检测与识别的基础和关键。由于复杂背景干扰,噪声,模糊,遮挡,非均匀光照等因素的影响,加上文字本身在外观,排列,字体,语言,风格上的多样性,使得自然场景图像中的文字检测成为一个极具挑战性的研究课题。尽管自然场景文字检测取得了长足的进展,然而,现有的研究不但缺乏对端对端场景文本检测问题的讨论,而且在多粒度、多语言、以及多方向的文本检测问题上,目前还没有好的可行解。本文针对这些问题展开研究,研究内容和主要贡献包括以下几个方面:第一,提出了基于文字统计特性的深度文本检测子。针对现有的文本检测算法需要多个检测步骤,且性能和速度无法兼顾的弊端,本文将文字检测看做目标检测问题,在Single Shot Multibox Detector(SSD)框架下,根据文字统计特性,设计文本检测子。此外,为了进一步提高检测算法对文字大小的鲁棒性,本文提出了一种基于投票的多尺度融合算法。实验表明,本文算法改进了文本检测的性能,在ICDAR2011和ICDAR2013数据库上综合得分达到了 86.16和86.83,单尺度检测上速度为每张图像0.09秒,多尺度检测上速度为每张图像0.27秒,不但在性能,而且在速度上都超越了当前其他算法。第二,提出了一种基于深度文本检测子的多粒度、多语言场景文字检测。当前绝大部分文字检测方法仅探究了针对某一种文字粒度(字符,单词,或文本线)的检测方法,无法直接将其运用于其他粒度的文字检测上,而且往往仅适应一种语言(英语为主)。针对这些问题,本文通过分析不同粒度的文字特点在同一检测框架下实现了多粒度,多语言的文本检测算法。实验表明,本文方法在多粒度,多语言上具有很好的可扩展性。第三,提出了两种基于多方向的场景文字检测方法。针对现有算法只能处理水平排列的文本而无法用于多方向的文本检测问题,本文将基于文字统计特性的深度文本检测子从水平方向扩展到多方向,采用传统自底向上框架的检测策略,以及基于多方向融合的检测策略进行文字检测。所提算法在MSRA-TD500数据库上进行评估,实验结果表明本文方法与当前流行的任意方向文本检测算法具有可比性。