随着信息科学技术的发展,各种成像设备已经走进了千家万户,产生了海量的数字图像。数字图像中的文字信息提取是一项非常具有挑战性的任务,也是一个亟待解决的问题。近年来,国际上对自然场景文本检测研究逐渐向基于卷积神经网络的方向发展。但国际上的研究主要基于自然场景英文环境图像,与英文文本相比,中文文本在纹理、结构以及分布方式等方面有许多独特之处,自然场景的中文文本检测应当作为一个单独的方向来进行研究。本文将中文文本检测分为水平方向文本检测和任意多方向文本检测,分别对不同排列方向的中文检测进行研究,主要研究内容如下:(1)本文对中文文本的采集条件与文本可能存在的自然场景进行了分析,充分理解中文文本与英文文本的不同特点,建立了一个多样化的自然场景中文文本图像数据集,总共包含3600张文本图像,并标注了每一张图像中的中文文本信息,用于本文自然场景中文文本检测方法的训练和测试。(2)本文提出了基于YOLOv3模型的水平方向中文文本检测方法。本文将水平中文文本以一行作为一个整体目标进行标记,使用K-means++聚类算法进行对数据集进行维度聚类,以聚类结果来优化YOLOv3检测模型,实现对自然场景水平方向中文文本检测。经实验验证,本文的优化YOLOv3中文检测模型取得了不错的性能且兼具实时性。(3)本文采用ResNet-101网络作为EAST模型的特征提取网络,实现对多方向中文文本检测。EAST模型可以实现对多方向的文本进行检测,本文采用了ResNet-101替换ResNet-50作为EAST模型特征提取网络,试验了两种网络下EAST模型的中文文本检测效果。实验结果表明,基于ResNet-101的EAST模型在多方向中文文本检测方面取得了更好的效果,同时发现该模型在中文长文本检测方面容易产生过分割的现象,需要进一步的研究。