物体识别是当前机器视觉研究领域的一个重大课题，其研究的目的是如何在以图像或视频作为输入的实际应用系统中更准确的识别出物体。以往的物体识别技术大多把物体分割和物体识别分开来研究，而如今把分割和识别同时考虑，越来越引起人们的关注。本文在总结和分析现有的物体识别技术的基础上，深入地研究了在图片数据库中如何自动的检测、识别和分割物体的问题，其中许多问题的研究都是当前机器视觉研究中的热点和难点，针对这些问题，本文主要工作如下：　　 首先，研究使用无监督学习策略形成视觉字典。针对多类物体识别在自底向上的判别式模型下，提取图像局部特征后，为了自动地形成视觉字典，在使用к均值、FCM等传统无监督聚类方法的基础上，引入亲和传播聚类方法对特征进行归类，形成视觉字典，建立了底层特征与视觉字典之间的联系，实现了基于小样本来建立大规模物体模型的方法。并通过实验证明亲和传播聚类是一种更为精细的聚类方法，比传统方法较好。　　 其次，为了建立视觉字典基元与实际图像块之间的联系，在学习过程中引入Joint Boosting算法。利用该算法可以在不同的类别之间进行特征共享，实现了多类物体识别。实验结果表明，该方法与目前主流的基于小样本学习理论的支持向量机方法相比有效好的识别效果。