随着互联网技术的更新迭代,以图像为代表的多媒体信息的数量开始爆炸式增长。而文字作为一类具有强语义信息的数据,对无人驾驶、机器人导航、场景理解等应用具有指导性帮助。作为文字识别系统的关键步骤,文字检测负责从图像中获取到文本的位置信息,为后续的文字识别提供精准的定位。如果文字检测的效果不好,将会极大的影响整个系统的性能。因此,本文主要研究自然场景图像中的文字检测算法。近年来,随着深度学习的不断发展,基于目标检测和语义分割的文字检测方法逐步替代了传统方法,并在性能上有了较大幅度的提升。基于目标检测的文字检测方法很难准确的定位不规则文本的所在区域。而基于语义分割的文字检测方法,其基本思路是先通过语义分割网络进行像素级别的分类,再基于分割结果重建文本行。因此,基于语义分割的文字检测方法能有效地检测不规则文本。考虑到自然场景下存在较多的不规则文本,所以本文主要是从语义分割的角度出发,并将Pixel Link作为基准模型进行相关的研究。针对基准模型存在漏检的现象,本文引入了多层特征融合模块,提升了模型对多尺度文本的适应能力;针对基准模型存在的误检问题,本文引入了双重注意力机制,有效的抑制了背景的干扰;在文字检测训练过程中,数据集只提供了包围框的角点信息,这对于语义分割任务是存在误差的。而且对应的标签为独热编码,结合交叉熵损失容易出现过拟合现象。针对这个问题,本文引入了标签平滑机制,以此提升模型的泛化性。本文使用的数据集是ICDAR2013和ICDAR2015,实验结果验证了本文改进后的Pixel Link具有一定的提升。相比于基准模型,改进后模型的F1值在ICDAR2013数据集上提升了2.3%,在ICDAR2015数据集上提升了2.5%。