目标检测是计算机视觉领域一个重要的研究方向,在各行各业都扮演着重要的角色。目标检测运用不同机器学习方法来解决目标检测中存在的各种问题,但是其仍然存在着各种挑战。卷积神经网络(CNN)是“黑盒子”的非线性分类器,能够通过其分层结构自动地获得图像的高级特征。尽管如此,CNN并没有提供较低层次特征之间的明确关系。因此,CNN可能会失去关于候选关系结构的潜在信息。而这些信息是能够提高算法检测准确性的重要信息。可变形部件模型(DPM)算法是图形模型(马尔可夫随机场),使用一系列的部件以及部件的空间位置关系表示目标。在目标检测中,DPM和CNN算法都有各自优缺点,因此整合DPM和CNN是一个富有前途的方法。与此同时,似物性检测算法能够提供比滑动窗口搜索策略更少的候选窗口,从而减少目标检测算法的复杂度。因此本文关注于如何将似物性检测算法、CNN算法、DPM算法联合起来,充分发挥三者优势,提升检测效率和检测精度。本文的主要内容包括:(1)BING算法是目前最快的似物性检测算法,具有300fps的运行速度,在交并比阈值为0.5和取其前1000个候选窗口的前提下,其召回率为96.2%。然而,BING算法存在这样的问题:随着交并阈值的增长,BING算法的检测性能会急速下降。在第二章中,通过对BING算法成功与失败的原因进行分析,本文阐明其检测效果与交并比阈值之间的相关性,从而得到BING算法的参数间的关系,并以此为依据设置参数,提升检测性能。(2)DPM算法采用滑动窗口策略在图像上搜索目标,这是制约DPM算法检测效率的重要因素。在第三章中,本文使用参数选择后的BING算法替代滑动窗口搜索策略提供候选窗口,能够有效地减少冗余窗口。为了联合使用BING算法和DPM算法,本文提出了候选窗口和特征图之间的映射公式,并根据根滤波器和部件滤波器位置的不同,设置不同的搜索范围。通过与BING算法的联合使用,DPM的检测效率得以提升。(3)在第四章中,针对深度DPM计算特征金字塔的花费过高的情况,本文通过增加归一化层和使用多个具有不同滤波器核大小的DPM-CNN替代特征金字塔的方式获得算法的尺度不变性,在保持对尺度变化的鲁棒性的同时,减少了计算复杂度。同时,本文使用BING算法得到候选窗口,减少搜索窗口数量,达到联合使用BING、CNN和DPM算法的目的,发挥三者的优势,提升检测效率和性能。