似物性采样是数字图像处理中的一种窗口采样手段,为了尽可能少的覆盖所有感兴趣的区域,该方法假定感兴趣区域具有一定共性特征,首先按照一定的策略生成采样窗口,然后提取物体之间的共性特征来设计似物性估计方法,最后对窗口进行排序和筛选。相比数字图像处理中常用的滑动窗口采样方法,似物性采样方法产生的窗口数量少且精度更高,近年已成为提高物体检测算法性能的措施之一；除此之外,似物性采样还能在运动检测、物体跟踪等其他数字图像处理算法中优化采样,提供数量少且精度高的建议窗口,随着数字图像处理算法的日益复杂以及对计算性能和精度要求的提升,似物性采样算法的研究具有重要意义。本文对现有的算法进行比较与分析,针对目前似物性算法重叠率低且计算时间较长等问题,确定了先筛选后优化的采样思路。首先运用组合几何学设计了基于重叠率的量化搜索策略来产生窗口,选取梯度矩阵为特征,利用级联的支持向量机训练得到线性的二分类模型从而获得多个似物性窗口；然后分析了边缘与物体之间的关系,设计了一种基于边缘信息的窗口似物性估计方法,并用该方法对窗口进行排序与优化。为了证明算法的有效性,VOC2007数据集的采样结果被作为物体检测算法的输入进行了物体检测。与其他算法相比,该算法在保持计算速度快以及高查全率等优点的同时,结合边缘信息解决了标定窗口精度不高的问题。在VOC2007数据集上,通过对各项性能指标的对比与分析,本算法拥有仅次于BING算法的计算速度(0.1s),在高重叠率0.7下依然有不错的查全率,同时也为物体检测算法带来了平均正确率均值上的提高。本文不仅论证了基于重叠率的搜索策略,而且基于边缘设计了可信度较高的似物性估计方法,证明了与窗口相交的边缘会干扰似物性计算的结论,也证明了高精度低数量的似物性采样窗口才可以有效提高物体检测算法的精度均值的结论。在其他依赖滑动窗口法来搜索匹配的图像处理算法中,该自适应多窗口算法理论上可以作为采样方法,减少匹配次数并排除负样本干扰。