本申请实施例提供一种文本检测模型训练方法、装置、设备及存储介质，可应用于地图领域、车载场景、人工智能、辅助驾驶等各种场景，该方法包括：获取样本图像集合，其中，每个样本图像包含至少一个真实文本对象。基于样本图像集合，对待训练的文本检测模型和全局语义分割模型进行联合迭代训练，输出已训练的目标文本检测模型。在训练过程中两种模型相互监督学习，两种模型对应的损失函数共同优化梯度，从而提高训练获得的目标文本检测模型的准确性和鲁棒性。其次，训练获得的目标文本检测模型，通过对图像进行目标检测获得文本对象，不需要进行像素级别的特征聚类，避免了聚类半径带来的问题，从而提高文本检测的准确性和效率。