近年来,场景文本检测成为计算机视觉领域的重要分支。但由于场景文本的复杂多样性,现有算法存在漏检、误检和检测精度不高等问题。因此,本文通过对深度神经网络进行创新来提高场景文本检测的性能。本文主要研究工作及成果概括如下:（1）在多尺度场景文本检测方面,针对场景文本检测领域存在文本尺寸波动较大导致的小文本漏检、大文本欠检测和多尺度文本边界检测错误的情况,提出了基于学习主动中心轮廓模型的场景文本检测网络。首先在残差网络Res Net的基础上构建多尺度特征权重融合模型（MSWF Model）对输入的场景文本图片进行多尺度特征提取和权重动态分配;然后计算出最终的特征融合图,以适应场景文本长宽比变化较大的情况,最后将融合后的特征图输入学习主动中心轮廓模型（LACC Model）预测文本框的中心点和边界,解决多尺度文本检测框包含过多背景或部分包围文本造成边界检测错误问题。实验结果表明,本网络提高了多尺度场景文本检测的准确率。（2）在多方向场景文本检测方面,针对基于目标检测的场景文本检测网络大多数只能检测水平方向文本,对多方向文本检测效果不佳,且检测精度有待进一步提高,提出基于聚类通道注意力的多方向场景文本检测网络,加入旋转角度,使网络具有检测多方向文本的能力;在特征融合阶段,引入通道注意力,并针对现有通道注意力权重计算可能引入无关通道特征或遗漏有关通道特征,造成次优结果的问题,提出聚类通道注意力,对通道特征进行聚类划分簇,并计算簇内通道权重,实现通道注意力。实验结果表明,提出的场景文本检测网络能有效的检测多方向文本,提高检测精度。（3）在系统实现方面,构建了一个基于B/S架构的场景文本智能检测识别系统,分别对场景文本检测识别的功能介绍、功能演示、应用场景、使用方式等功能进行分析和设计,最终采用Layui+Springboot+Django REST Framework的技术服务来实现场景文本检测,将本研究课题算法嵌入实际应用系统之中。