目标检测作为计算机视觉领域的基本问题之一,得到了越来越多的关注。它是从图像处理到图像理解之间的关键步骤,其主要目的是为了从图像中识别出待检测目标,完成场景理解或行为分析的第一步,因而被广泛地应用到各个重要领域,如视频监控、智能交通、生物特征识别等。然而,目标检测技术依旧有很大的上升空间。针对实际场景中目标尺度大范围的变化,单一尺度的检测方法很难平衡虚检和漏检的问题。传统目标检测技术的处理方式就是采用图像金字塔,通常会导致检测效率受限。同时,大多数检测算法都关注在目标的定位问题上,而在一些应用场景中,比如图像分割、运动目标姿态识别等,通常需要的不仅仅只是一个包围盒(Bounding box),还需要更多目标的描述信息或者姿态信息。此外,伴随着深度神经网络的研究热潮,也给目标检测领域带来了诸如训练样本需求量大、训练时间过长等问题。以卷积神经网络为例,该网络模型往往需要至少数以万计的训练样本和十几个小时的训练时间。这些问题都在一定程度上阻碍了相关理论算法的进一步应用。针对上述问题,本文对原始的活动基模型(Active Basis Model,ABM)加以改进,提出了基于多层网络结构的目标草图检测模型。活动基模型的学习阶段只需少量的训练样本,而且对目标具有良好的描述性能,有利于对图像进行理解。但它解决的仅是目标的定位和描述问题,且该模型的训练是一个前向挑选的过程,通过生成一组Gabor字典集,接着进行图像卷积将训练样本投影到这组Gabor集构成的空间,用少量经过最大值池化的Gabor基对图像进行稀疏编码,得到初步的检测模型。本文在该模型的基础上引入了分类的概念,将单目标描述问题优化为多目标的检测问题,同时扩展的多尺度结构模型有效地避免了图像金字塔带来的时间损耗。此外,本文改进了投影次梯度算法(Primal Estimated sub-GrAdient SOlver for SVM,Pegasos),通过选取一组样本集迭代进行模型参数优化和困难样本挖掘,以完成对模型的误差反向传播训练,使得最终的模型不仅获得了更高的检测效率,而且具有了更鲁棒的检测性能。本文的算法以Matlab和C++混合编程实现,并在实验室自建的葡萄数据集和公共的MIT行人数据集上进行了测试,实验结果表明,本文模型在检测效率和准确率上都明显超过了原始活动基模型,证实了本文方法的可行性和有效性。