目标检测是很多计算机视觉任务的基础。现有的基于深度学习的目标检测方法大都利用了标注的数据作为监督信息,本文研究了自监督信息下进行目标定位,检测以及跟踪的方法:(1)提出了轮廓素描线计算模型和自监督信息的目标区域获取方法。在初始素描图的基础上,以素描线为处理单元,将素描线与周围(在像素空间)的像素之间进行信息交互,判断该素描线是否为轮廓素描线,获取图像的轮廓素描图;然后,根据目标轮廓产生的素描线间具有近邻特性和围拢的拓扑结构,分别定义了轮廓素描线间连接围拢度和轮廓搜索贡献度;按轮廓搜索贡献度的大小,依次对轮廓素描线执行以连接围拢度为指导的启发式搜索,获得多个由轮廓素描线和部分新增加线段组成的闭合曲线和这些闭合曲线内的区域。这些闭合曲线内的区域有些可能是由连在一起的多个目标组成的区域,有些可能是某个独立目标的局部围拢区域,也可能是某个独立目标的完整区域。实验结果表明该方法是可行和有效的。(2)针对上述方法获取的某个独立目标的多个围拢区域,提出了区域的合并及去重方法。首先对已获取的多个围拢区域执行非极大值抑制算法,将重合度较高的区域去除;再将位置上邻近且形状相似的区域合并,获得目标完整的区域。最后与选择性搜索方法的对比实验结果表明本方法能够以更高的召回率获取目标的区域位置。(3)探索了本文提出的方法在目标检测与目标跟踪任务中的应用。首先提出了基于轮廓素描线模型和自监督信息的弱监督目标检测方法,该方法在第一阶段使用本文提出的方法获取目标区域;在第二阶段使用深度网络对这些目标区域进行分类。与Faster-RCNN的对比实验表明该方法是可行和有效的。然后提出了基于轮廓素描线模型和自监督信息的目标跟踪方法,该方法使用搜索出围拢轮廓素描线的端点作为特征点,使用光流法跟踪这些特征点以实现对特定目标区域的跟踪。与基于角点法光流跟踪方法的对比实验结果表明本方法能够更有效地获取特定目标轮廓上的特征点。