场景文本识别是计算机视觉领域的热门话题。 受到单镜头多框检测（SSD）在通用对象检测方面的成功的启发，在场景文本检测中实现了SSD的体系结构。 SSD不能很好地检测文本，因为场景文本通常比普通对象小，而且SSD不能很好地检测小对象。 因此，对场景文本进行了统计分析。 根据场景文本的统计特性，提出一种文本检测方法。 此外，为了提高检测精度，使用多尺度图像来学习多尺度模型。 针对候选文本区域进行基于投票的非最大抑制。 实验结果表明，该方法在基准数据集ICDAR2013上的检测精度达到了最先进的性能。