随着计算机技术的发展，图像目标的检测与识别己在很多领域得到了广泛的应用。目标检测与识别存在的关键问题是分割，即如何从复杂的背景中提取出目标，且具有较好的鲁棒性。本文主要研究了复杂背景下的鲁棒目标分割方法、目标检测与识别机制、以及用于移动机器人导航的实际目标检测与识别。本文的主要研究成果可归纳如下： 1)研究并提出了一种鲁棒的自然图像分割方法。在自然图像分割中，同时考虑纹理和轮廓颜色信息的分割方法大多是基于递归处理的，计算时间长，无法适应具有实时性要求的场合。为了适应视觉处理和实时性的要求，在MeanShift方法的基础上提出了一种改进的分割方法。实验结果表明，对不同光照条件下和具有纹理的自然图像，都能获得稳定的分割结果，鲁棒性能较好。而且，可根据上层视觉的需要调整参数，来获得所需的分割结果。 2)在鲁棒自然图像分割方法的基础上，提出了一种由粗到精的目标检测与识别机制。对任意采集的一幅图像，首先用鲁棒自然图像分割方法进行粗分割。当图像中主要包含所要识别的目标时，再采用精处理的方法。在分割之后，根据已建立的目标模型进行认证识别。 3)设计了一种基于鲁棒分割方法和目标颜色建模的门和道路检测方法。首先用鲁棒自然图像分割方法将图像分割成一些区域，然后对每个区域计算颜色平均值，用离线建立的目标颜色模板来认证目标候选区域。 4)设计了一种自然场景下的字符识别系统(门牌号自动识别系统)。这一识别系统具有以下特点：较好的抗噪声能力、较好的实时性和较好的可推广性。 本文的鲁棒自然图像分割方法具有较好的分割效果，且计算时间短，可用于具有实时性要求的场合。门和道路的检测以及门牌号识别系统可推广到机器人其它目标识别应用中。