| 年份 | 算法名称 | 优点 | 缺点 |
| 2018 | PixelLink | 对训练数据的数量依赖小， 小物体检测准确率较高 | 大尺度物体检测准确率较低， 容易忽略上下文从而产生误检 |
| 2018 | Mask TextSpotter | 对曲面、多方向等 不规则文本的检测效果较好 | 需要较大的计算资源和内存， 并且需要大量带有标注的训练数据 |
| 2019 | CRAFT | 不需要字符级别的标注进行训练， 对长文本的检测效果较好 | 无法对紧邻的文本区域进行有效检测，并且对弯曲文本行的检测准确率不高 |
| 2019 | SPCNet | 对水平和多方向文字检测效果较好， 同时可以检测弯曲文字 | 对算力要求较高， 难以实现实时性文本检测 |
| 2020 | DBNet | 文本检测速度快，后处理操作简单， 对任意方向文本检测效果较好 | 无法解决环形文本内还有文本的问题 |
| 2020 | TextFuseNet | 对任意形状的文本检测效果较好， 并且速度较快 | 无法检测中文文本 |
| 2021 | FCENet | 对高度弯曲文本的检测效果较好， 不需要复杂的后处理过程 | 检测效率有待提高， 对长文本覆盖效果一般 |
| 2021 | PAN++ | 对任意形状文本检测效果较好，并且速度快 | 无法解决环形文本内还有文本的问题 |
| 2022 | SAF | 对任意形状文本检测精度高， 并且可以适用于多语言文本检测 | 对具有对象遮挡的图像、 大字符间距文本的处理还存在问题 |
| 2023 | DBNet++ | 检测不同尺度文本实例的能力较强， 效率相对较高 | 无法解决环形文本内还有文本的问题 |