检测图像中的动物目标是物体识别算法领域中的一大难点，由于动物肢体各部分具有高度灵活性，在运动状态变化时其姿态也不断随之变化，这种不确定性造成了检测的困难。本文针对以上问题提出了一种基于广义Hough变换的检测模型，在此基础上提取动物局部形状片段特征并进行整合实现对动物目标的检测。本文主要对边缘提取方法、检测模型构建、形状片段评价以及检测算法整合等问题进行研究。首先，在预处理阶段通过对边缘提取过程中的阈值选取问题进行分析，构建Canny分层结构检测边缘，并设计基于连通域的连接算法补全重要特征形状片段，同时降低边缘图层中的背景噪声干扰。然后，基于广义Hough变换方法对背部与臀部形状片段分别进行投票，采用聚类算法定位Hough投票空间中局部极值位置，并对获取的局部极值点对应的形状片段进行相似度评价，筛选满足相似度条件的形状片段。基于以上满足条件的背部与臀部形状片段位置，根据动物肢体相对位置关系限定腿部区域范围，并对腿部直线段进行检测，在此基础上统计准确的腿部形状片段数量对腿部区域实现概率评价。最后，结合背部臀部与腿部区域的评价指标以及背部与臀部的相对位置关系设计检测方法，取计算结果最大值对应的区域位置作为检测结果。通过对INRIAHorses数据库进行识别验证了算法的有效性。