作为人类历史上信息传播的重要方式,文字直接承载着丰富而高级的语义信息。自然场景图像中的文字检测,对于场景理解、图像检索、人机交互等视觉任务都有巨大帮助。尽管电子文档图像中的文字检测方法已经较为成熟,但是在更复杂的场景中,文字检测任务依然面临严峻的挑战。本文中,我们结合近年来非常热门的深度学习技术,对自然场景图像中的文字检测任务进行探究。为了使系统在复杂场景图像中的检测也具有鲁棒性,本文提出了一种基于实例分割思路的文字检测算法。本文中重点关注的检测对象是拉丁文字,检测单元是单词级别的图像块。从流程上,本算法可以分为三个步骤:文字特征图预测、文字实例分割和文字包围框计算。其中,文字特征图包含文字显著性图和文字实例风车图,我们设计了一个多任务的深度全卷积网络模型来预测;文字实例分割是在文字特征图基础上计算而来,我们提出了一个基于图剪枝的图像分割算法来实现;为了与通用检测算法进行对比,我们在文字实例分割的结果上计算了文字实例包围框。在工程上,我们实现了一个基于本算法的场景图像文字检测系统,该系统能够在任意拍摄条件、背景场景、文字形态的图像中,定位文字实例的位置,并输出每个文字实例的包围矩形坐标。本文在ICDAR 2015文字图像数据集上进行实验,计算并分析本算法的精确率、召回率和和谐平均数,结果表明,本文算法在这些衡量指标上均大幅度地优于现有算法,验证了基于实例分割的文字检测算法的有效性和优越性。除此之外,本文论述比较了实例分割算法与通用物体检测算法,并分析了实例分割算法在文字检测问题上的优越性。