古文字是历史研究的重要材料,一般依附的载体是铭器或石碑,经过处理形成拓片。研究古文字首先进行的是费时费力的古文字标注工作,本文将深度学习引入这一过程,实现古文字自动化检测。本文主要在商周金文拓片和魏晋南北朝石刻字拓片上研究古文字检测问题。通过对古文字拓片数据集的分析,发现检测过程中存在拓片背景复杂、文字分布不规律、小文字密集以及重叠检测等一系列问题。与现代文本检测不同,本文将古文字检测问题看作是目标检测问题。本文的主要工作如下:一种用于古文字拓片检测的新型检测网络结合古文字拓片数据集的特点,基于Dark Net-53网络改进的特征提取网络具有更强的特征提取能力。基于现有网络Bi FPN（Bi-Directional Feature Pyramid Network）、PANet（Path Aggregation Network）,提出的重复特征金字塔网络dual-FPN（dual Feature Pyramid Network）,更加有效地融合模型中各尺度的特征图。针对古文字拓片检测过程中出现的重叠检测问题,提出ANMS（Ancient Non-Maximum Suppression）,有效解决拓片检测中出现的重叠框问题。同时,提出新型的损失项ANMS-Loss（Ancient Non-Maximum Suppression Loss）,增大目标框与预测框的位置损失,加入到模型的损失函数中,使得梯度下降方向更符合预期。实验结果表明,该检测网络m AP@0.5:0.95指标高达62.7%,m AP@0.5指标高达96.1%,F P S指标达63。速度导向的特征提取网络为了进一步提高整体模型的检测精度和推断速度,本文从以下三个方面设计特征提取网络。简化特征提取网络结构,提出ADark Net（Ancient Dark Net）,检测网络m AP@0.5:0.95指标为62.7%,FPS高达278。基于简化的特征提取网络,加入Transformer编码器结构,提出基于Transformer的特征提取网络TR-Dark Net（TRansformer Dark Net）,检测网络m AP@0.5:0.95指标高达62.9%,F P S高达256。融合以上两个特征提取网络,提出重复特征提取网络dual-Dark Net（dual Dark Net）,检测网络m AP@0.5:0.95指标高达62.9%,FPS高达217。