感兴趣目标定位一直是计算机视觉和模式识别等领域的研究热点之一。在过去几十年中,研究者们提出很多方法解决非形变目标定位问题,但对于形变目标定位问题仍存在不少困难。本文在总结和分析国内外相关研究工作的基础上,主要讨论下面三个改进的感兴趣目标检测定位算法。首先,针对传统基于形状信息的目标定位算法对目标发生形变情况下定位的困难,研究基于稀疏活动轮廓模型的目标检测算法。本文先用共同勾画算法学习到感兴趣目标的稀疏活动轮廓模型,构成该模型的Gabor基元能局部扰动以适配形变图像;然后用交替的sum-max maps结构检测图像中与轮廓模型匹配分数最高的区域,并分割出来;最后用视觉皮层模型对分割后的图像进行模式分类确认目标。实验结果验证了该算法的有效性。其次,针对稀疏活动轮廓模型可以较好地解决目标微小形变情况下的定位问题,但是对训练样本要求严格,同时学习到的可变形模板对目标发生较大形变情况下的定位产生一定偏差,研究基于稀疏活动轮廓扩展的形状脚本模型的目标检测算法。本文通过扩展活动轮廓模型学习到组成感兴趣目标的可变形形状图案,这些形状图案构成的形状脚本模型能够提高检测算法在目标形变较大情况下的鲁棒性;然后用该模型在递归的sum-max maps结构上进行图像匹配实现目标定位。该方法取得良好的定位效果。最后,针对传统的基于梯度方向直方图特征的目标定位算法受噪声、变形等因素影响较大的情况,研究基于HOG特征混合模型的感兴趣目标定位算法。首先用训练样本的梯度方向直方图特征训练分类器LSVM,同时学习到包含感兴趣目标根模型、部件模型和对应可变形部件模型的混合模型;然后通过动态规划算法在测试图像检测出与模型相匹配的区域,实现目标定位。实验表明,该算法也适用于背景复杂,局部变形等情况。