随着多媒体技术的发展,图像已成为互联网信息传递的重要载体。图像中包含的文字可以帮助人们快速理解图像中的内容,近年来先后出现了多种场景文字检测的方法。但是,对弱光照场景图像而言,存在诸如低光照、低分辨率、低可识度等缺点,这给弱光照条件下的场景图像文字检测带来了挑战。本文将弱光照条件下的场景文字检测分为弱光照图像增强与场景文字检测这两个环节分别开展研究。首先,针对弱光照图像的增强问题,本文提出了一种基于同态滤波及图像融合的弱光照图像增强方法;其次,在场景文字检测环节,本文提出了 一种基于直线云分布与深度学习多特征融合的场景文字检测方法。本文的具体工作如下:（1）针对弱光照场景低光照、低分辨率的问题,本文提出了一种基于同态滤波及图像融合的弱光照图像增强方法。首先,本文将传统同态滤波中的传递函数改为高斯同态滤波函数与全变分模型的结合;接着,对改进后的同态滤波增强图像与基于去雾的增强图像分别计算以每个像素为中心的窗口的平均值与标准差,利用平均值与标准差计算每个像素的权重并对权重调整,将像素权重与像素值相乘取和得到增强图像。最后,本文使用现有的文字检测方法来评测本文弱光照场景图像的增强效果。实验表明,在自建数据集上,本文所提出的图像增强方法与原图相比,对现有文字检测方法SegLink和EAST而言,其文字检测F值分别提高了18.3%和35.6%,表明了本文所提出的弱光照场景图像增强方法的有效性。（2）在弱光照场景图像增强的基础上,本文进一步提出了一种基于直线云分布与深度学习多特征融合的场景文字检测方法。为了获取弱光照图像的文本候选区域,该方法首先通过对融合前和融合后的三张增强图像中的RGB通道分别提取MSER作为文本候选区域,然后使用交并比合并重复的文本候选区域;接着,利用宽高比、面积过滤一部分非文本区域。对于剩下的文本候选区域,本文分别提取基于边缘轮廓信息的直线云分布特征以及基于卷积神经网络的深度学习特征,将两种特征融合并放入支持向量机中训练分类器过滤非文本候选区域得到最终的文本候选区域,并按照规则形成文本行。对于非文本行,本文采取上述类似的方法训练文本行分类器进行过滤。在自建数据集和公开数据集上的实验数据表明,本文提出的弱光照场景图像文字检测取得了较好的结果。