伴随着信息时代的到来,图像、视频的数量呈现爆炸性增长,从海量的数据中提取信息成为人工智能相关领域研究人员关注的重点。场景图像中的文本信息在图像检索、智能导航等应用中具有重要作用,因此场景图像文本检测与识别算法研究具有很大价值,近些年也取得了极大的进展,但其在检测精度和速度等方面还难以满足实际需求。在互联网图像文本检索等实际应用中,包含文本的场景图像比例很小。为实现快速的场景图像文本检测,本文提出了一种融合文本/非文本场景图像分类的场景文本检测算法。首先对场景图像是否包含文本进行分类判别,之后仅对包含文本的图像进行文本检测,从而提升场景图像文本检测性能。本文的主要工作如下:(1)根据文本/非文本场景图像分类的特点,在对目前常用的深度学习图像分类算法进行分析的基础上,设计了一种Light VGG网络实现文本/非文本场景图像分类。此外根据分组卷积和多尺度特征提取的思想,设计了一种尺度自适应(Scale Adaptive,SA)模块,该模块与Light VGG结合之后的网络能够在保证高速度、低参数量的同时,实现较高的文本/非文本场景图像分类准确率。(2)为进一步提升分类性能,本文引入了激活边界知识蒸馏,在保证网络高速度、低参数量的同时,大幅度提升了分类准确率。此外,针对网络部署时需要灵活调整网络容量的问题,引入了USlim(Universally Slimmable)模块,使单一的网络可以灵活调整容量,提高了网络的工作效率。(3)实现了融合文本/非文本图像分类的场景图像文本检测算法。通过使用高效的特征提取网络和损失函数实现了高精度场景图像文本检测。该检测算法与文本/非文本场景图像分类模块有效融合,在保证检测精度的同时,大幅提高了场景文本检测速度。本文算法在公开数据库Text Dis以及ICDAR2015上进行了测试,实验结果显示融合文本/非文本图像分类算法后的场景文本检测算法在GPU和CPU上的推理速度提升了2倍以上,充分证明了算法的有效性。