物体目标探测的过程是在图像里自动寻找目标物体。鉴于目前大量的信息都是以电子形式储存,物体目标探测将会迅速成为一个有用的和富有挑战性的机器学习和计算机视觉的任务。在实际运用中,如在卫星遥感图像中探测船只,在医学X光片上找出肿瘤的位置并且分辨出肿瘤的种类。因此,如何解决物体探测问题,是近几年研究的重点之一。本文将利用遗传规划(Genetic programming)来解决不同难度的多类物体的探测问题。遗传规划是一种新型的搜索寻优方法。它仿效生物界中进化和遗传的过程,遵从“优胜劣汰,适者生存”原则,从一组随机生成的初始可行解开始,通过复制、交叉和变异等遗传操作,逐步迭代而逼近问题的最优解。首先,对物体特征值的提取是采用像素统计法来提取,并对特征提取窗口做了不同的区域划分。实验证明,科学的特征提取窗口的划分在对不同的物体探测时能够更有效的提取出物体的特征值,提高物体的探测效率。其次,分析了基于遗传规划的三种不同的物体探测的方法:直接探测法,物体分类探测法,混合法。研究的思路是找到一个既能够保持探测效果,又能够减少训练/进化时间的方法。其中混合法就是通过在训练/进化阶段采用两次训练的方法,第一次训练采用分类的方法,初步训练出能够正确探测出物体的初始种群,缩小在第二次训练/进化过程中的搜索空间。第二次训练是在第一次训练得到的种群的基础上进一步训练/进化,进化出能够正确探测出目标物体的最优遗传程序。通过实验证明,混合法能够在保持探测率的基础上缩短训练/进化的时间。最后,我们通过对两个不同的适应度函数的比较:一个是把反应遗传程序规模大小的参数引入到适应度函数,一个是适应度函数中没有反应遗传程序规模大小的参数。通过实验证明,在适应度函数中加入与程序规模有关的内容,在保证物体探测准确率的前提下,能够达到了缩小程序规模之目的。程序规模的缩小,能减少进化过程中可能的探索空间,能提高物体探测效率。