在人工智能、增强现实(AR)等前沿科技的实际应用中,物体检测具有很高的研究价值,涉及到人机交互和多媒体检索等多项关键内容,但是由于复杂的类内多样性和偶发的类间相似性,依赖RGB数据的准确物体定位识别依然是一个巨大挑战。随着计算机视觉技术和硬件设备日新月异的发展,基于深度信息的物体识别和场景理解越来越受到人们的关注,由深度相机获取的RGB-D图像更是为研究深度信息的学者们提供了数据支撑。如因特尔的RealSense,微软的Kinect,苹果公司的PrimeSense等设备均可以获得较高精度的深度信息,甚至在手机端Tangle和IPhone X上都携带了深度传感设备。深度信息的引入能够有效地解决物体检测过程中受光照变化、拍摄角度、物体数量和物体尺寸等因素的影响出现的准确性和实时性较低的问题。因此,本文基于物体的彩色和深度图像组,将物体检测流程分为似物性采样和物体识别两个阶段进行分析,分别提出了分步超像素聚合似物性采样方法和多模态信息融合的目标识别方法,有效提升了检测效率和精度。(1)在似物性采样(object proposal)阶段,依据人眼对显著性物体观察时先注意其色彩后判断其空间深度信息的特点,首先对图像进行超像素分割,然后结合颜色信息和深度信息对分割后的像素块分步进行多阈值尺度自适应超像素聚合,通过先验条件的进一步筛选可以去除似物性区域中仍包含的部分重叠和错误区域,最终得到在下一步识别中需要用到的预选窗口。(2)在物体识别阶段,利用多核学习方法融合在窗口物体中提取的颜色、纹理、轮廓、深度多模态特征,实现物体不同信息的充分表达。将特征融合核输入支持向量机多分类机制中进行学习和分类检测,有效降低因多特征融合产生的特征维数过大、计算复杂度高的问题。本文实验基于华盛顿大学RGB-D数据集和课题组采集的真实场景集。通过将本文算法与当前主流算法进行对比得到检测精度提升了4.7%,运行时间减少了3倍以上。同时,在物体定位性能上优于当前主流似物性采样方法,在相同召回率下采样窗口数量约低于其他算法4倍。多信息融合在目标识别阶段优于单一特征和其他多特征融合方法。结果证明了本文方法在实际物体检测应用中具有十分重要的作用和意义。