文本检测是计算机视觉中的一个重要分支。随着近年来互联网的快速发展,作为信息的主要载体之一的文字呈现出多样性、海量性、动态增长性等特点,网络上每日新增数百亿文字信息。如何从这些海量的文字信息中提取出自己感兴趣的部分已成为巨大挑战,这涉及到文本检测技术。传统的文本检测算法需要手工设计特征,并采取多个复杂步骤才能完成检测任务。受限于文本检测任务自身的复杂性,目前的文本检测算法检测性能仍然不够鲁棒。因此文本检测算法仍有巨大的提升空间,继续对该课题进行深入研究具有重要学术意义和应用前景。本文主要研究内容如下:1.本文首先定义阅读模式,确定阅读模式的应用场景,分析数据图像特点,完成图像收集、标注、扩展等工作,并将该数据集与现有公开数据集进行统计分析对比;2.文本研究了一种基于上下文信息的文本检测算法。根据本文第二章数据集统计分析发现本文数据集图像中不同文本行对象之间存在一定的空间关系,而单个文本行内部文字间存在一定逻辑关系。根据上述文本分布特点,本文设计上下文信息提取结构,通过双向长短记忆网络提取文字之间的逻辑特征,通过放大特征谱并进行全局池化、反池化等操作提取空间特征,最终完成基于上下文信息的文本检测算法研究;3.本文研究了一种基于特征融合的多方向文本检测算法。针对多尺度文本检测算法中浅层特征空间细节信息丰富、语义信息不足,深层特征语义信息丰富、位置信息损失严重的问题,本文设计了一种特征谱权重学习结构。该结构将多尺度特征谱与相应权重相结合,构建特征金字塔,得到表达能力更加鲁棒的特征谱,完成基于特征融合的多方向文本检测算法研究;4.本文研究了一种基于聚类的文本检测算法。上述研究算法均为基于候选框的文本检测算法,对于不规则文本对象,这类算法无法得到鲁棒的检测结果。鉴于上述方法的缺点,本文将图像的每个像素均视为可分类样本,同时确定样本类别总数,固定每类聚类中心,设计聚类损失函数,通过卷积神经网络学习每个样本的特征向量,并根据特征向量与聚类中心完成聚类,将样本进行分类,得到文本连通域,最终通过后处理实现文本定位,完成基于聚类的文本检测算法研究。本文在新构建的阅读模式下的中文文本检测数据集上对以上前两个工作进行实验验证,测试结果表明本文的文本检测算法能够有效提高检测性能,同时在公开数据集CTW1500上对第三个工作进行实验验证,最终实验结果表明该方法能够有效提升不规则形状文本的检测性能。