自然场景文字信息在人类的日常生活中扮演着重要角色,例如商标上的文字可以提供商品信息、路牌上的文字可以指示方向等。场景文字的自动化检测和识别能够帮助人们更好地理解周围的世界,方便人们的出行。场景文字检测作为文字电子化系统中的第一步,对后续的识别效果起到关键性作用,一直以来都是计算机视觉领域的重要研究问题。近年来,随着深度学习在人工智能领域的兴起和快速发展,采用深度卷积神经网络来解决自然场景文字检测问题也取得了成功,在检测性能和应用场景上都实现了巨大地提升。但深度神经网络通常需要消耗庞大的存储空间和计算资源,限制了自然场景文字检测在移动端、嵌入式等资源受限的小型设备上的使用。因此,对场景文字检测模型进行加速压缩,使模型能够降低计算复杂度和存储空间,具有广泛的应用前景。针对上述问题,本文从场景文字检测模型的结构、层、参数多个层次上进行了加速压缩,实现了移动端上的场景文字检测。本文的工作主要包括以下三个方面:1)构建了一个能够检测任意文字形状的场景文字检测器,并对检测器进行计算量和存储量的分析。以深度可分离卷积为核心,提出了对检测器各个模块进行轻量化设计的方法,得到了一个适用于移动端的轻量化场景文字检测模型。2)对轻量化设计的模型,进一步提出了通道剪枝和低比特量化的方法进行加速压缩。在通道剪枝中,我们采取了两种不同的剪枝方法对模型进行剪枝,并对各自的适用情况进行对比分析。在量化实验中,我们采用了线性对称量化的方式,并提出了对浮点数范围进行截断的方法和量化层回退策略,平衡了量化后模型的检测性能和加速压缩需求。3)通过结合一系列工程优化手段和加速压缩算法,我们在移动端上对模型的前向进行开发和测试。在ICDAR 2015数据集上F-score值达到78.71%,每张图片在移动端的检测时间为749.15ms,模型大小为517KB,满足移动端的需求。当减小输入图片尺寸时,检测时间能够进一步降低到426.41ms。通过对模型和代码进行封装,我们开发了一款安卓手机应用,并在实际生活场景中进行测试。