近年来,随着社会的不断发展,整个世界的图像数据规模也是爆发式增长。如何从海量的图像数据中快速、有效地提取出有用的信息已经成为计算机视觉领域的研究热点。图像分类与目标检测是计算机视觉领域最重要的问题之一,同时它们也是图像分割、视频目标跟踪和人体行为分析等其他高层视觉研究的基础。基于此,本文对复杂场景下的图像分类和目标检测算法展开研究,主要工作包括以下两部分:(1)研究了基于词袋模型的图像分类相关理论,对图像分类中的核心问题特征编码进行了系统的阐述,着重研究了稀疏编码算法在图像分类中的应用。为了克服传统稀疏编码图像分类算法的缺点,如提取单一类型特征、缺少图像的空间结构信息和特征编码时无法充分利用特征拓扑结构信息。本文提出了一种基于多尺度特征融合Hessian稀疏编码的图像分类算法。首先对图像进行空间金字塔多尺度划分,然后在各个子空间层将方向梯度直方图特征和尺度不变特征转换进行有效的融合,接着详细推导了Hessian能量函数并在传统稀疏编码的目标函数中引入Hessian能量函数作为正则项,最后利用支持向量机进行图像分类。在多个公认数据库上的实验结果表明,本算法与现有的分类方法相比,具有更高的分类准确率。(2)为了进一步提高分类和检测算法的准确性,本文对基于深度学习的多目标检测展开研究。在系统的研究了Faster-RCNN和GoogLeNet检测框架后,提出一个新的卷积神经网络进行多目标的检测。主要工作是使用GoogLeNet的inception模块替换掉Faster-RCNN中传统的多卷积层提取特征部分,给出了整个检测框架详细的实现方法。最后,使用复杂的行车记录仪图像数据验证本网络模型的有效性。