目标检测作为图像处理、识别、跟踪的一个重要组成部分,一直都是人们研究的热点。在视频监控、车辆导航、目标跟踪等多领域内都有着广泛的应用前景。传统的目标检测方法主要是基于特征点的检测,在复杂场景中存在漏检率高、检测率低等问题。本文研究的主要是扩展目标的检测,此类目标通常在视场中会占据较大位置,同时会有较大的姿态、尺度变化以及遮挡等问题。而利用传统的基于特征点匹配的检测算法,很有可能导致特征匹配失败,影响检测率,从而也会影响后续应用,如目标跟踪。因此研究一种较为鲁棒、稳定的目标检测算法具有重要意义。针对扩展目标检测,本文详细分析常用的局部特征提取方法包括SIFT、HOG、Harr-like、LBP等,对HOG特征进行了深入分析并改进,针对HOG特征不能适应目标尺度变化问题,构建了特征金字塔,使HOG特征具有尺度不变性。针对提取的HOG特征维数过多,计算量大的问题,采用了主成分分析(PCA)进行特征降维。利用支持向量机(SVM)对样本图像进行训练,实现了HOG+SVM目标检测算法,并针对该算法在目标出现遮挡及较大姿态变化时,容易出现漏检及误检情况,从部件的角度构建了基于部件的目标检测算法。在对部件模型参数的训练过程中,由于输入样本只对目标整体进行了标注,并没有对各个部件进行标注,因此利用了Latent-SVM进行训练。为了进一步提高算法的鲁棒性,在模型参数训练过程中,首先对样本进行了聚类,根据聚类的结果构建了多视角混合训练模型,实现了混合多部件的目标检测算法。实验表明,该算法在物体出现形变、遮挡及姿态变化时,能够准确检测到目标。尽管利用部件的思想,对目标进行检测,能够提升检测精度,但是增加了模型的复杂度,检测速度降低。针对此问题,本文结合了级联检测的思想,通过利用级联检测,能够快速的过滤掉图像中的非目标部分,实验表明,利用级联思想在保证检测精度不下降的情况下,能够加快算法的运行效率,缩短检测时间。