Hough变换是计算机视觉领域中经典算法之一，最初用于图像中直线、圆形等特定形状检测，为实现任意形状检测，Ballard提出广义Hough变换。近年来，Hough变换与分类器相结合的算法应用于类别目标检测。但受复杂背景和遮挡问题的影响，准确定位单个或多个目标仍存在一定困难。因此，本文在深入了解国内外相关研究基础上，对基于Hough变换目标检测算法展开研究。首先，为准确检测工件图像中的圆形目标，改进已有的随机Hough变换。先利用8邻域轮廓跟踪法在去除噪声影响的同时提取出图像中弧形边缘。然后应用圆的几何特性对圆心进行粗略定位，再根据先验知识设定半径范围以剔除虚假目标。最后，在设定的目标边界环形范围内运用最小二乘法，按照一定迭代准则提取圆形目标的精确参数。其次，将Hough变换与随机森林分类器相结合用于目标检测，首先构建含有HOG特征信息、类别信息和空间位置信息的训练样本图片块集。然后根据类别信息进行监督学习并生成Hough森林，使全部叶节点构成一个树型结构判别式码本模型。最后利用测试图像中到达叶节点的图片块，对目标中心可能存在的位置进行概率投票。为解决图像中视角改变、目标遮挡以及强背景干扰等问题，提出手动选取目标显著部件区域并结合其相对于目标中心的空间位置信息，构建Hough森林结构模型。最后，将Hough森林与联合概率模型相结合，解决复杂动态场景下的多目标检测问题。在原有Hough森林基础上，为更准确的描述观测数据与假设目标之间的概率关系，提出一种新的联合概率模型。通过贪婪算法估计最大后验概率估计值，迭代计算Hough图像的局部最优值并更新图像，具有较高的稳定性和精确度。