基于机器视觉的对象检测是军事、民用和工业生产中经常面临的一个重要的问题。它主要是通过计算机来处理数据，然后对从不同的传感器获取的数据对象进行探测、跟踪和检测，它涉及到多学科，需要使用不同的技术和专业知识。然而，到现在为止，没有任何一种方法可以解决所有对象的检测问题，也没有任何一个对象跟踪和检测系统可以解决全部问题。论文在分析了对象检测研究算法、Hough变换算法和神经网络的国内外研究现状的基础上，进行了不同类对象的检测算法研究。针对现有的线段检测定位精确度低、容易出现单边缘的多次响应等问题，论文提出一种基于Canny算子的改进Hough变换的对象检测算法，根据线段对象的特性从常用的边缘检测算子中寻找综合性能最佳的算子，并且对累加器单元的细分做了推导。该算法可有效的去除噪声的干扰，解决了计算精度与计算速度之间的最优匹配问题，并有效的解决多峰值检测问题以及虚假峰值问题，提高了线段检测的鲁棒性。针对刚性对象在受到自身以及外界干扰时不会产生自遮挡、形变、阴影的特性，以及现有特征矩在刚性对象检测时精确度低的问题，从Hu矩构建了十个不变量的组合矩，利用表观表示法和形状表示法相结合，用组合矩来对对象特征进行描述。论文提出一种基于神经网络的刚性对象检测算法，文中给出了一种基于BP神经网络的分类器，在确定了网络的输入和输出后，针对实际应用选择合适的模型结构，进行参数训练，对算法进行误差分析和效率分析，并且分析了部分参数对网络泛化能力的影响，该分类器具有较好的实时性和检测率。针对行人对象姿态的复杂性、多样性，行人对象纹理的多样性，以及容易受到外界条件干扰的特殊性，在对比了现有的类Haar特征、Shapelet特征和SIFT特征后，设计了一种对角特征来对类Haar特征进行扩展，并且利用近似积分图像法快速计算混合特征值，该特征既保持了标量特征运算速度快的优势，又提高了特征描述能力。文中提出一种基于混合特征的AdaBoost算法的行人检测算法，根据强、弱分类器的特性构建了树形级联分类器，在进行正、负样本检测时速度快，该算法时间复杂度低，实时检测效果好。以上三类不同对象的检测算法研究都是采用车载行车记录仪来获取环境信息，在对原有算法和描述特征手段上进行改进，提出改进算法和构建新特征。经过对比多种算法的检测结果发现，通过上述方法构建的改进算法可以得到合理的实施，在检测过程中适应性较强，从而促进了基于机器视觉的对象检测算法的研究。