商品商标一般由商标图案与商标文字两部分组成。随着商品经济的不断发展与人们的知识产权意识不断提升,商标在商品流通过程中扮演着越来越重要的角色,商标申请数量逐年上升,商标侵权案件特别是与商标文字相关的案件也逐年增多。现有主管部门的相关工作需要自动化手段的辅助,因此商标文本检测作为多种自动化手段开发的首要步骤有着重要意义。然而,由于商标文本结构复杂,背景干扰丰富等问题,现有文本检测方法在检测商标文本时会出现误检,漏检的情况。本文在分析和总结现有文本检测算法特点的基础上,采用的商标文本检测包含三个主要步骤:首先构建文本检测模型;然后对模型进行半监督训练使得模型能够进行字符检测;最后将字符检测结果拼接成文本行输出。商标字符检测模型通过网络中的多层特征融合结构,提高了网络对不同尺寸文本目标检测的鲁棒性。由于没有公开的商标字符数据集,并且字符数据集的制作成本较高,因此本文提出的商标文本检测网络采用半监督学习策略,降低了训练过程中人工标注数据集的时间成本。为方便后续模型的开发和实验,实验过程中收集了4500张商标图片并通过人工标注建立了商标文字数据集。在人工标注数据集上的实验结果显示,相对于其他深度学习类方法,特别是能够直接检测文本行的检测算法,本文提出的方法在结构复杂并且中英文混合的商标文本检测任务中有更好的检测效果。