随着手机、数码相机等科技产品广泛进入到人们的生活中,图像信息成为我们日常生活中获取信息的主要方式之一,而图像中的文本内容尤其成为人们感知图像信息的关键来源,所以越来越多的研究人员关注于基于内容的图像分析。从自然图像中有效获取文本信息对于图像内容的分类、理解、存储起着举足轻重的作用,自然图像的文本检测技术具有重要的研究意义和价值。近年来,人工智能技术得到了长远的发展,应用领域也变得十分广泛,尤其是在基于图像的目标检测领域方面。以深度学习为核心的目标检测技术通过卷积神经网络(Convolutional Neural Networks,CNN)提取图像中的特征图,采用后处理模块对图像进行分类,不需要人为设定参数,通过数据集即得到相应的模型,能够十分高效的检测目标。本文研究了基于深度学习的自然场景图像文本检测方法,主要研究工作如下:1.本文首先研究了文本检测领域中的主流检测算法和技术,详细分析了一些经典的国内外文本检测算法,包括基于传统算法的文本检测算法和基于深度学习的文本检测算法,并且在分析这些算法的优缺点的基础上,确定以EAST算法为主要对象深入研究自然场景文本检测的优化方法。2.考虑到文本上下文具有很强的关联性,本文提出了ICBPE-EAST算法。该算法通过对融合特征进行序列化处理得到序列特征,将序列特征输入到BLSTM网络中去,形成文本上、下文信息的前后循环,改善EAST算法存在的网络参数的收敛曲线波动较大、影响收敛性能的问题。此外,该算法在进行长文本检测时,当检测区域的相邻区域为字符区域时,根据文本的关联性判断检测区域为文本行的概率增加,从而提高了算法对长文本的检测能力。仿真对比结果表明,ICBPE-EAST算法相比于传统的EAST算法,在精确度提高了1.50%,召回率提高了3.57%,F值提高了3.44%。3.为了更准确地检测出长文本行、合并文本框,避免出现检测框重叠的情况,本文从另外角度来改善ICBPE-EAST算法,提出了IFPP-EAST算法。该算法首先利用Res Net特征提取网络取代原EAST算法中PVANet网络,不仅简化了结构,而且能提取更完整的特征信息。其次对叠加空间金字塔池(Atrous Spatial Pyramid Pooling,ASPP)模块进行了改进,构造了FPN和改进ASPP模块相结合的编码-解码器结构,提高网络的感受野,以达到精准分割的效果。最后还对检测框合并过程进行了改进,使得改进后的算法可以更准确的合并文本框,同时对长文本的检测有一定的改善作用。仿真对比结果表明,IFPP-EAST算法在长文本检测和文本框定位精度有改善的效果。