目前主流的目标检测与识别方法是基于局部特征的,但是该类方法在图像质量比较差的情况下存在不确定性或者歧义性,而且视觉搜索效率比较低。上下文信息主要有两个作用,即消除不确定性或歧义性以及减少处理时间。因此上下文信息正好适合解决基于局部特征方法的问题。为此本文的研究内容是基于上下文的目标检测与识别方法,包括不同层次的上下文特征的研究和分类器算法的研究。在几何上下文方面,从生物学原理出发,结合计算机视觉中的模型,提出了一种基于特征的几何上下文的目标检测识别方法,利用生命期来描述特征点的稳定性,利用一组模板来捕获特征点分布的空间信息,既捕获了亮度信息和几何上下文信息,又很好地获得了判别能力和泛化能力之间的折衷。在邻域上下文方面,考虑到部件检测在基于局部特征方法中的重要性,提出了一种基于邻域上下文约束的部件检测方法,即在检测部件过程中考虑了邻域的上下文约束,其中邻域上下文用基于块的局部二值模式来描述,该描述计算简单快速,保证了部件检测的准确性和速度,进一步提高了目标检测算法的性能。在全局上下文方面,从目标检测的准确率和速度方面出发,分析了全局上下文特征在目标检测中的作用,在此基础上提出一种自上而下的目标检测方法,利用嵌套的级联结构将局上下文特征、局部上下文特征和局部表观特征组织起来,充分利用三种特征各自不同的作用,最后得到了一种快速而准确的目标检测算法。在场景上下文方面,针对两种情况进行了研究。一是针对模板匹配方法,在分析生物学研究成果的基础上,得到了空间一致性规律；然后依据该规律提出了一种基于场景上下文的模板匹配方法,将模板与子图的相似性放到场景上下文中度量,提高了模板匹配方法的鲁棒性。二是针对场景分类任务,详细分析了当前主流的基于场景整体特征的模型,提出了一种更加鲁棒的方法,考虑了像素域和调制域两个通道的信息,并且考虑了粗糙的空间分布信息,这些丰富的信息保证了该方法的突出性能。在分类器的研究方面,提出了一种改进的AdaBoost算法,包括距离相关的判别准则,和基于核的感知器强分类器优化方法。这两个改进有效地解决了AdaBoost算法中的弱分类器选择和强分类器优化两个基本问题,提高了AdaBoost算法的分类性能。最后,本文对所做的工作进行了归纳总结,并且结合本文的不足之处,分析和讨论了进一步的研究计划。