自然场景的文本检测是指对图像中单词或文本行的边界框进行定位的一项技术,随着社会对于人工智能技术的需求不断增长,推动着人工智能飞速地发展,而文本检测作为人工智能的一部分,在这样的发展过程中也逐渐成为不可或缺的一项技术,拥有广阔的应用前景。目前,深度学习已成为文本检测领域的重要方法,各个基于深度学习的文本检测算法已经取得了较好的检测结果,在实际应用中也有良好的表现,然而对自然场景下的中文文本检测的研究较少,并且现有的文本检测方法仍然没有达到用户的需求。因此,本文将主要研究基于深度学习的中文文本检测方法,以提高文本检测网络的检测效果为目标,提出三种有效的文本检测方法:(1)提出一种基于深度神经网络多层级特征融合的文本检测方法(简称:Fusion CTPN),将多层级产生的特征图加入到CTPN网络的训练过程中,首先由特征提取网络产生多层级的特征图,然后将低层级产生的大尺度特征图与高层级产生的小尺度特征图进行融合,从而得到更高质量的特征图,提升特征图的表达能力。(2)提出一种基于深度神经网络多尺度预测的文本检测方法(简称:Multiscale EAST),在网络EAST中通过构造三个输出层的方式,将小尺度产生的特征图也加入到最终结果的预测过程中,使得网络学习到更多关于小尺度文本的特征信息,将最终产生的多尺度预测结果与对应的真实检测结果共同作用于损失函数从而实现多尺度预测。(3)提出一种基于深度神经网络损失函数融合的文本检测方法(简称:Balanced EAST),该方法将损失函数Balanced loss利用加权融合的方式加入到EAST网络的损失函数中,共同约束模型的优化方向,提升模型学习复杂特征的能力,并在第二点所提出文本检测方法的基础上,将相同的损失函数融合方法作用于其损失函数中。本文提出的方法在英文数据集和中文数据集上都进行了实验,采用统一的评估标准进行验证,并与现有算法进行对比。最终实验结果表明,本文提出的文本检测方法不仅在英文数据集上取得了较好的检测结果,而且在中文数据集上也取得了很好的检测结果,可以有效提高文本检测的准确性。