生活中的文字包含着丰富的语义信息,所以自然场景下的文字检测有着广阔的应用场景和重要的现实意义。但自然环境下的文字检测会受到诸如复杂背景、光照、字体、倾斜变形等诸多因素的影响,检测效果还不是很理想。近年来随着深度学习理论的发展,许多优秀的检测算法被提出用来解决这个难题,EAST就是其中最为优秀的算法之一。尽管如此,EAST仍然存在感受野不够大、对样本权重分配不合理等问题,准确性和速度都有进一步提高的空间。本文针对以上问题展开深入研究,主要内容和成果包括:(1)构建了一种新的训练样本生成策略。在生成样本时,将裁剪边界变由原来的0.3倍缩小为0.1倍,扩展了文字区域,加入了更多文字区域的边缘信息,据此重新调整样本的权重;改进了随机裁剪的策略,放松了筛选条件,提升了正样本容错率。实验结果表明,在不改变EAST网络结构的基础上,使用本文提出的样本生成策略可以提高算法的检测性能,在文字检测公开数据集ICDAR 2015上和经典EAST算法相比召回率、精确率、综合性能有了一定的提升。(2)构建了一种基于改进EAST的文本检测算法。在经典EAST的网络基础之上,加入ASPP(Atrous Spatial Pyramid Pooling)网络,将不同尺度的感受野特征进行融合,加大感受野的同时降低了网络复杂度,提升训练速度;将经典EAST网络模型中的class balanced cross-entropy loss替换为dice loss,然后根据文本区域面积调整样本权重,提升对小区域文字的关注度,改进样本权重不合理的情况,同时加快算法收敛速度。实验结果表明,相比于经典EAST检测算法,本文构建的自然环境文字检测算法,在ICDAR 2015数据集和ICDAR 2013数据集上,在保持15 fps的同时检测性能获得了明显的提升。与近年来提出的几种经典的深度学习检测算法(CTPN、Seg Link,Pixel Link等)相比,本文算法也取得了优异的综合性能。