自然场景文本检测是计算机视觉领域当中的一个热门研究,在文本翻译、信息录入、盲人辅助、机器感知、自动驾驶等场景都有广泛应用。目前针对自然场景中水平文本和倾斜文本的检测已经有一些较好的方法被提出来,但是由于自然场景的复杂性,该领域仍有相当多的问题还未能得到较好的解决。比如,有些带有艺术效果的提示牌,其中的文本可能具有不同的尺度,而且这些不同尺度的文本通常呈弯曲形状,如何检测这部分多尺度的弯曲文本,已有的文本检测方法做得还不够好。由此可见,自然场景中文本检测方法的研究仍然具有较大的意义。本文的研究基于以上自然场景文本检测中存在的问题进行展开。首先阐述了自然场景文本检测的研究现状,对主流的自然场景文本检测算法的优点与不足进行了分析,针对自然场景中多尺度弯曲文本检测,本文提出了一种新的解决方法。该方法可分为两个步骤,第一步是对图片中不同尺度大小的文本位置进行预估,这一步主要是为了防止文本漏检;第二步在文本预估位置上进行方向和形状上的优化,精修最终的文本框。论文的主要研究内容如下:（1）为解决多尺度弯曲文本检测中的漏检问题,本文针对性地提出了MLFE-CTPN方法,该方法基于CTPN方法改造而来,将图片中不同尺度的文本进行覆盖,有效解决了现有方法对图片中多尺度文本的漏检问题。MLFE-CTPN方法沿用了CTPN的微分思想,将文本行切分为文本片段进行检测。该方法的创新点在于对CTPN所使用的网络骨架VGG16进行了改进,将VGG16的全连接层都改为卷积层,并在VGG16的末端增加了卷积层,将特征提取层增加到6个。最后在数据集上进行文本行检测,实验结果表明,改进后的方法有效地解决了文本漏检问题。（2）MLFE-CTPN方法有效解决了文本漏检问题,不过该方法没有专门针对文本形状进行设计,对弯曲文本的定位做得不够精确,为此,本文提出了MCPN方法。该方法不仅改善了现有方法对图片中多尺度文本的漏检问题,还能够精确地检测自然场景中的弯曲文本。MCPN方法的创新之处在于:1)对数据集进行了重新标定,将长文本分割为小的文本片段,标注每个文本片段的中心点坐标、宽、高和倾斜角度,同时还标注了文本片段的连接信息。2)在特征提取阶段使用改进过的VGG16网络,3)通过一种检视所有的文本片段及其连接信息的连接算法来构建文本行。实验表明,该方法能够有效地检测自然场景中的多尺度弯曲文本。（3）在MCPN方法的基础之上,采用tensorflow深度学习框架来搭建网络模型,实现了自然场景弯曲文本检测系统的主要算法,最后将系统友好地展示了出来。