Dans cet article, nous abordons le problème de la détection des zones de texte dans les séquences vidéo. Contrairement à la plupart des approches existantes basées sur un unique détecteur suivi par un post-traitement ad hoc et coûteux, nous considérons plusieurs détecteurs et nous fusionnons leurs résultats afin de combiner les avantages de chaque détecteur. Nous débutons cet article par une étude des zones de texte incrustées dans les séquences vidéo pour déterminer comment ces zones apparaissent dans les images et identifier leurs principales caractéristiques (constance de la couleur et contraste avec l'arrière-plan, densité et régularité des contours, persistence temporelle). En se basant sur ces caractéristiques, nous sélectionnons ou définissons ensuite les détecteurs appropriés et nous comparons plusieurs stratégies de fusion qui peuvent être utilisées. Le processus logique que nous avons choisi et les résultats satisfaisants que nous avons obtenus nous permettent de valider notre contribution.