图像目标的检测是一项理论意义与实用价值兼备的课题,可以广泛应用于国防与国民经济建设的诸多领域。传统的线性和统计理论已经不能满足新的目标检测的需求。数学形态学是一种非线性图像信号处理和分析理论,在把握信号中的几何结构信息上具有相当优势,符合人类的感知系统,因此目前已经受到了越来越广泛的重视,并得到了迅速的发展。因此,本论文在系统地总结了数学形态学的基本理论及其在目标检测中的应用的基础上,研究了目标检测所涉及的几个关键技术:图像特征提取、目标建模和检测算法设计。在图像特征提取的研究中,提出了两种基于数学形态学的特征提取方法:一是组合多种结构元素的形态学边缘提取算法,具有同时确定边缘幅度和方向的能力,而且检测精度高,运算速度快,抗噪性强。二是基于“击中数”的角点提取算法,可以在二值图像和灰度图像中提取角点,具有检测准确度高、抗噪性能好、计算量小和硬件实现方便等优点。在形状建模和检测的研究中,提出了一种基于形态学形状分解的形状描述算法;在此基础上,通过样本学习,得到模糊关系属性图作为形状模型;根据该模型,提出了一种基于部分的层次式形状检测方法。上述形状描述算法符合人类的视觉感知系统,有利于构建目标检测算法。形状建模和检测算法与一般方法相比,具有鲜明的特点,即不需要先提取形状再与可能的目标模型匹配,而是采用分部分和分层次的处理思想,依次在图像中搜索形状的各个组成部分,由此提高了检测的精度和效率,减小或消除了复杂背景、部分遮挡和目标内部组成部分旋转的影响,同时可以实现并行处理。在多值图像目标检测的研究中,提出了一种条件泄洪策略来构建多值形态学目标检测框架,将各种目标检测任务统一到一个框架下,具有一定的普适性;同时给出了两种具体实现算法:局部条件泄洪法和基于遗传算法的全局条件泄洪法,还进一步考虑了它们与多分辨率分析相结合的实现方法。论文分析比较了在单分辨率和多分辨率下,局部优化和全局优化方法的性能,给出了相应的结论。将所提出的检测框架用于两个具体实例:二维灰度图像目标检测和序列图像运动检测,实验结果初步证实了方法的有效性和可扩展性。将论文提出的各种方法分别用于模拟数据或真实图像数据,都获得了较为满意的实验结果。