目标检测是模式识别和计算机视觉领域的重要研究课题之一,在军事侦察、智能交通、视频监控、人机交互等领域具有广阔的应用价值。在视频目标检测过程中,往往会出现外界环境干扰或者目标自身变化等情况,使得检测模型会经常出现误检或者漏检,降低了其检测性能。本文在对目标检测技术国内外研究现状进行深入探讨的基础上,研究基于在线集成学习的目标检测方法,将其应用于复杂环境下的视频目标检测中,并提出一种基于在线集成学习框架下的多视角人脸检测方法。全文主要内容如下：1、深入研究在线集成学习的基本理论,总结国内外研究现状和最新研究成果,介绍了几种经典集成学习算法的在线算法,详细介绍了在线集成学习方法的基本框架和实现步骤,并分析其局限性,为后续研究做好充分准备。2、针对现有在线集成学习方法在集成分类器设计及在线样本自动标注方面的不足,提出一种自适应嵌套级联的分类器结构和一种置信度函数样本标注方法。自适应嵌套级联算法能够灵活调整分类器层级内和层级之间的结构,最大限度适应目标模型的变化,加快分类器的收敛速度,并且能够减少级联的弱分类器数。在线样本标注过程中,结合跟踪方法对检测结果先进行初步验证,再通过置信度函数得到最终的样本类别标注3、针对复杂环境下视频中多视角的人脸检测问题,本文提出一种基于在线集成学习的多视角人脸检测方法。将多视角人脸分为五类：左全侧面、左半侧面、正面、右半侧面、右全侧面。首先采用少量人工手动标注的训练样本训练一个初始多视角人脸检测模型和多视角人脸验证模型,然后在检测过程中利用检测结果及其验证结果通过在线集成学习方法更新其检测模型,并结合关键帧技术和增量学习方法更新多视角人脸验证模型。实验结果表明,该方法在保证检测速度没有较明显下降的前提下,能够较准确地检测出多视角的人脸,并且具有较好的鲁棒性和适应性。