目标检测是计算机视觉领域的研究热点，在图像检索、智能交通、智能视频监控、高级人机交互等领域都具有广泛的应用前景。由于不同的目标形状外观的不确定性，应用场景的复杂性，目标之间以及目标与背景之间的相互遮挡等原因导致目标检测成为一个具有挑战性的问题。尽管目标检测技术已经被国内外很多学者研究过，但到目前为止还没有一个通用、鲁棒、精确和实时的目标检测算法。本文主要围绕对图像中目标提取不变特征，并针对不同目标、不同场景情况下的目标检测方法进行研究。具体研究内容和成果如下：1、详细讨论了目标检测的关键技术，包括特征的提取和描述以及检测过程中分类器的选择。在特征提取和描述方面，我们介绍了颜色、不变矩、SIFT(Scaleinvariant feature transform)特征以及图像轮廓特征的相关理论，并着重介绍了针对轮廓特征的特征描述。在检测阶段，我们分别使用了BP（Back Propagation）神经网络和SVM（Support Vector Machine）作为分类器。2、通过对比各种描述特征量的性质以及优缺点，提出了一种融合全局与局部特征，使用主成分分析和BP神经网络的目标检测方法。采用全局和局部特征提取和训练相结合的检测方法，通过视觉相似性来检测目标。实验结果表明，目标多种特征融合，再利用主成分分析法对其进行降维，可以有效改善因特征维数太高耗时的影响，并且提高了对目标的检测效率。3、针对复杂场景中背景复杂、目标周围噪声多及目标只占图像中较小部分而难于检测的问题，提出了一种新的基于局部轮廓特征检测目标的方法。该方法首先利用改进的gPb(globalized probability of boundary, gPb)算法提取图像的轮廓，然后应用Otsu(最大类间方差法，Otsu)进行自动阈值处理得到图像的显著性轮廓；再提取显著性轮廓的k邻接大致直线轮廓段(k connected roughly straight contoursegments, kAS)，并以kAS作为局部特征，用于复杂场景中的目标检测。该算法结合gPb算法和Otsu提取轮廓的显著性轮廓，去除了目标附近的大量噪声边界，有效地提高了检测效率。同时，在检测阶段，测试集与训练集中提取的不相关特征数目也得到较大减少，从而提高了检测的精度。多组实验结果均表明本文方法的有效性。