随着人工智能的高速发展,目标检测在计算机视觉中占据越来越重要的地位。传统的基于分类器的目标识别方法虽然能取得较好的识别效果,但需要大量的训练样本,学习过程缓慢,训练参数容易出现过拟合现象。针对这些问题,非训练的目标识别方法成为近几年的研究热点。本文对彩色及多光谱图像的目标检测展开分析,提出并研究了两种具有鲁棒性的目标检测模型。(1)基于LARK的金字塔分层结构模型。模型中构建了基于空间域和光谱域的3D-LARK特征算子,解决单光谱图像中光谱信息缺失对识别精确度的影响;并建立了金字塔分层结构模型,解决多光谱图像信息丰富造成的计算量大以及检测精度低等问题。同时建立了多尺度多视角的模板集,解决待测图像中视场深度不同引起的目标尺寸差异和非刚性目标姿态多变等问题。实验证明,与基于灰度的非训练算法相比,本模型有效的利用了空间和光谱信息,解决了背景噪声中局部相似结构干扰等问题,降低了误检率。(2)基于局部特征和近邻约束的目标检测模型。在上述模型的基础上,进一步引入近邻结构特征,以提高目标检测的完整度;同时,在金字塔分层模型中,使用近邻结构特征与3D-LARK局部特征进行交替检测,从而兼顾目标的局部细节和整体结构。通过对标准库中的行人、汽车等多目标进行检测,并与其他非训练算法进行对比,可证明本模型在对彩色图像的目标检测中有效解决了背景噪声干扰和目标局部特征过度拆分等问题。