文本作为沟通和协作的重要工具,在社会中扮演着重要的角色。同时在现代化社会中,由于图片和视频等数字化内容的快速发展,对其中的文本进行检测和识别往往可以提供给人们很重要的信息,利用这些信息能够辅助使用该信息的主体更好的完成任务。因此对于图片和视频中的场景文本进行检测和识别具有重要的意义。而在场景文本的检测和识别过程,对场景中的文本进行定位（即场景文本检测）是首要任务,因此场景文本检测具有重要的研究意义。本课题研究的内容便是对图片中的场景文本进行检测。本文在研究过程中采用文本中心线和字符热力图作为文本表现形式,并使用编码和解码网络作为主干网络,其中在编码和解码网络中,由于不同的解码层具有不同尺度的输出,这些不同尺度的输出对类别信息有着不同的激活特性。所以为了使不同解码层的类别信息得到更充分的利用,本文对解码结构中相邻解码层的特征进行局部特征融合,并对局部融合后的特征利用基于自注意力机制的网络结构进行特征增强。实验结果表明采用文本中心线和字符热力图作为文本表现形式,并将解码结构中相邻两层的特征进行局部特征融合和特征增强的场景文本检测效果,相比于原有方法的场景文本检测效果会有一定的提升。由于在局部特征融合增强的特征中,只包含相邻解码层的融合增强特征,这些特征的表现能力具有局限性,因此为了能够更好的利用编码和解码结构中包含的语义信息,本文采用全局特征融合的方式将编码结构中的最后一层特征和经过局部特征融合增强后的特征进行进一步融合,并对融合后的特征采用基于自注意力机制的网络进行增强。实验结果表明经过局部特征融合增强后的特征,继续进行全局特征融合和特征增强,场景文本检测效果的效果会有进一步的提升。由于本文采用分割预测的方式来实现场景文本检测,并没有采用直接回归文本框的形式,因此需要采用文本实例生成方法将对应的文本分割结果转换成对应的文本框,用于后续的测试评估和成果展示。考虑到本文采用的文本表现方式以及现有方法存在的问题,因此本文提出一种适合文本中心线和字符热力图的文本实例生成方法用于形成文本边框。实验结果表明本文的文本实例生成方法相比于原有的文本实例生成方法,检测效果会有一定的提升。