似物性采样是提取一幅图像中可能成为任意目标的窗口,在目标检测与识别时,可显著减少目标的搜索窗口,相比滑动窗口而言,还可有效提升检测窗口的精度。近年来,在目标识别领域,基于感知分组,提供限定数量的似物性目标的识别算法逐渐占领目标识别领域。这类算法的精度依赖于似物性采样的结果,所以越来越多的人加入到这一研究领域。随着深度传感器慢慢进入消费领域,如微软的Kinect,苹果公司的PrimeSense,因特尔的RealSense,促进了图像领域的发展。深度线索的增加也将促进似物性采样的发展,能进一步减少目标识别的搜索窗口。但是,目前已有的算法对深度信息的利用还不够,本文主要研究深度信息在似物性采样算法中的有效利用。另外,为了将深度线索对似物性采样带来的性能提升拓展到RGB图像上,本文针对没有深度信息的单幅彩色图像,提出一种基于结构学习的深度估计方法。具体而言,本文的主要工作包括以下几点：(1)提出一种基于RGBD图像的似物性采样算法：a)利用深度信息分别设计了边缘相关的特征算子和深度似物性特征算子;b)引入新的深度边缘算子改进了基于边缘的似物性采样；c)提出了新的基于深度的似物性采样；d)基于贝叶斯框架将两种似物性采样结合,实现了RGBD似物性采样。在NYU Depth数据集上实验证明了这些似物性描述方法的结合要比单独使用任一种描述结果更优。(2)对于单幅彩色图像,本文提出一种基于结构学习快速深度估计算法：a)提出基于结构随机森林的多尺度学习框架；b)提出输出标签离散化的方法,在每个节点通过K-means方法对结构标签分类,解决了结构随机森林中信息增益计算问题；c)提出了基于袋外数据的特征选择,从而优化了结构随机森林。在Make3d和NYUDepth v2的数据集上,与目前最新最好的算法进行比较,达到了非常好的估计效果,并在算法速度上具有优势。