作为计算机视觉、模式识别与机器学习等领域一个非常活跃的研究方向,目标检测算法与人们的生活息息相关,对人类生产生活方式的都有着潜移默化的影响。近年来,目标检测算法发展迅速,但仍然是一个具有较高挑战性的问题,通过对前人研究工作的学习,本文以可形变部件模型算法为基础,进行目标检测研究。基于可变形部件模型的物体类检测算法是物体类检测的优秀算法。在历年的PASCALVOC竞赛中,可变形部件模型及其相关算法都取得了优异成绩。目前己经成为主流的通用目标检测算法。自提出以来,引起研究人员的广泛关注,提出了大量的改进算法,大大提高了算法的准确率与效率。本文在前人研究工作的基础上,对可形变部件模型进行深入学习之后,我们从三个方面对级联可形变部件模型算法进行了算法改进。本文的主要研究工作如下:第一,在模型训练特征提取部分,本文选择使用14维HOG特征向量进行模型训练,通过降低算法的特征向量维数,减少模型训练时间。第二,利用SLIC超像素图像分割技术对提取到的待检测图片特征进行了进一步的处理,实现了 HOG特征前景和背景的分离,以此来降低检测时背景对物体目标的影响,从而减少误检情况的发生,提高了算法的检测精度。第三,在卷积计算完成后,级联可形变部件模型在目标假设裁剪阶段,没有将假设位置与相邻区域信息考虑在内,忽略了两者之间的联系。本文中,我们将假设位置与邻域信息考虑在内,加快了裁剪的速度,进一步提高了假设裁剪的速率,从而提升了检测的效率。最后,我们应用改进后的算法对PASCAL VOC数据集以及现实图片进行了目标检测实验,验证了算法的有效性,实验结果表明,改进后的检测算法确实在一定程度上减少了训练的时间,提高了检测准确率,加快了算法的检测效率。