目标检测不仅是目标识别的经典问题，同时还是许多其它视觉任务的基础。对目标模型和检测算法的研究体现并且推动了目标识别领域的整体发展水平。在检测对象中，非刚性目标（如动物、人体等）相对其它目标类别的检测难度更大，主要体现在类内外观差异大、特征学习的噪声干扰、局部形变等。近年来提出的部件模型为描述目标类别提供了一种有效的方法，特别是针对非刚性目标。该方法将一个目标描述为多个部件的组合，部件之间基于弹性关联，从而使得整体目标的检测问题被分而治之。　　本文概述了当前主流的部件化方法与模型，分析了它们在解决目标检测问题上的关键思想与技术，归纳出部件化检测模型的明确定义以及作为部件的重要条件。以此为基础，本文着眼于非刚性目标的检测问题提出了一系列部件化方法和模型以提高识别精度。具体研究路线为:(1)应用部件化思想解决传统检测方法的弊病，(2)通过分析现有部件化方法的不足从不同角度提出改进方案。本文的所有实验基于标准化数据集，评估对象参照当前最新的检测方法，实验结果验证了本文所提方法与模型的有效性，并且给出大量具有参考价值的结论。本文的主要工作及贡献如下:　　1.针对概率投票模型误检率偏高的问题提出了一种基于部件的判别投票方法。概率投票模型是实现非刚性目标的检测以及轮廓识别的重要方法，该类模型的两个缺陷易形成误检:一是投票元素集（即码本）的学习策略过于简单，易受噪声影响;二是各元素独立投票的可靠性较差。为此，本文提出了一种基于部件的判别投票方法，该方法将概率投票转换为线性判别计算，通过统计学习理论优化投票元素的权重，从而提高码本学习的效率。另一方面，该方法通过部件化码本将特征的全局独立投票转换为局部一致化投票，从而避免独立投票的不稳定性和噪声干扰。　　2.针对弱监督环境下的特征学习问题，提出了一种自适应的部件学习方法。在弱监督环境下，部件模型采用启发式搜索策略自动获得判别化部件，但无法度量部件与目标类别是否真正相关。本文提出了一种自适应的部件学习方法，该方法融合多类图像线索改进原有搜索策略，使其在选取判别化部件同时尽可能保证该部件与目标具有语义相关性。该方法的关键思想是计算每个候选窗口的颜色、纹理和边缘在分布上的一致化程度，一致化分布较高的候选窗口对应的相关性更强。本文构建两种学习策略:一是将自适应方法作为原有部件搜索的后处理模块;二是构建基于形状的部件模型，直接整合部件搜索与定位。　　考虑到当前部件学习方法在每个训练样本中是“强制”选取所有部件，当样本不完整或存在部分遮挡时选取的部件实为噪声，因此本文还提出一种简单有效的部件剪枝策略，以样本的分类得分作为过滤伪正样本的依据，该方法能有效地降低训练过程中噪声部件的比例，加速学习收敛速度。　　3.针对非刚性目标的类内外观差异问题提出了一种层次化的联合检测模型。姿态变化是引起非刚性目标外观差异的主要原因之一。传统的检测模型基于样本的长宽比划分目标外观，但该划分依据不能反映目标外观的真实分布，尤其对于非刚性目标。为此，本文将姿态估计整合至目标检测过程，构建一个联合检测模型。该模型具有两个特点:一是并行化处理目标检测与姿态估计，避免串行联合引发的错误传播;二是兼顾目标检测与姿态估计的判别化计算，同时提升两者的检测性能。　　4.部件的自动标注能够为监督部件模型提供有效的部件层样本。现实环境中因无法确保训练-测试集具有相同的特征分布，因而作用于部件标注任务的传统机器学习算法将受到性能限制。本文提出了一种基于领域自适应的学习算法，将该算法应用于部件标注任务的参数学习。自适应算法扩展结构化支持向量机的损失函数，引入基于相似度的正则子，实现优化损失度与参数差异度的同时最小化。为了提高自适应学习效率，本文基于主动学习思想提出了两条样本选取策略以搜索“高质量”样本，并且将该策略整合至自适应算法。实验模拟了部件标注的两种学习场景:目标的姿态分布差异和外观分布差异，实验结果显示本算法较经典的结构化支持向量有5％～8％的性能提升。