从计算机诞生以来，让计算机或机器人像人类一样具有视觉能力，是科研工作者一直不懈追求的目标。物体检测是人类视觉中的基本步骤和基本功能，为人类了解周围的环境和景物提供了至关重要的前提。物体检测是计算机视觉学科中极具挑战性的理论研究课题，而且在很多领域具有广阔的应用前景，例如多媒体信息分析与搜索、场景分析与理解、视频编码、视频监控、模式识别等。作为一个研究热点，物体检测越来越受到研究者们的重视，研究深度和广度在不断地增强。　　本文围绕物体检测展开研究，研究目的是探索一种有效的物体特征表示方法并且应用于物体检测，从而提供物体检测的新方法。针对上述研究目标，本文在基于局部纹理分析的物体表示特征、有效特征的选择和基于局部纹理特征的物体检测算法等方面进行了深入的研究和探讨。论文具体的研究内容如下：　　1．本文基于物体的局部纹理分析，提出了改进的空间直方图特征，用于物体检测任务中的特征表示。空间直方图特征是图像局部纹理的信息分布，它同时反映了物体在不同尺度上的纹理和结构信息。改进的空间直方图特征与目标物体类别相关联，具有对目标物体的判别能力，而且能够适用于各种典型物体的表示。本文以刻画物体的纹理信息和结构信息为着眼点，建立了空间直方图特征的提取方法，并且对空间直方图特征的物体判别能力进行了研究。　　2．提出了基于空间直方图特征的层次化物体检测算法。本文采用空间直方图特征作为物体表示，根据由粗到精的策略，综合利用两种物体检测技术：直方图匹配方法和支持向量机分类器，构建了物体检测的一种通用算法。该算法首先通过直方图匹配方法进行粗检测，达到排除图像中大量非目标物体的目的；其次在精确检测过程中，采用支持向量机分类器提高检测精度。该算法有效的解决了物体检测问题，具有快速、鲁棒的特点。该算法可以处理不同类型的物体模式，包括刚体物体模式、可变形的柔性非刚体物体、以及纹理模式物体。　　3．提出了一种结合类别可分性和特征相关性的特征选择方法。传统的特征选择技术在处理高维数据时，存在训练时间长或者选择所得到的特征子集分类性能不高的局限。本文方法使用Fisher准则度量特征的类别可分性，采用互信息计算特征之间的相关性，按照顺序增加的方式产生候选特征，以分类器错误率最小为目标，选择分类性能高而互相之间相关性弱的特征，构成紧致而有效的特征子集。该方法不但可以选择出有效的分类特征，而且在保证分类性能的条件下降低了特征维数，提高了分类效率。本文将所提出的特征选择方法用于构造空间直方图特征子集，作为物体检测中支持向量机分类器算法的输入特征。实验结果表明该方法可以自动获取与目标物体类别相关联的分类特征。　　4．提出了基于空间直方图特征和纠错码分类器的多姿态人脸检测算法。首先，本文结合纠错码多类分类器算法，研究了如何将基于空间直方图特征的物体检测算法扩展到多姿态人脸检测。其次，针对基于纠错码多类分类算法中单分类器训练困难的问题，本文提出了一种在给定纠错码码本的前提下如何训练有效纠错码多类分类器的方法。该方法以整体纠错码多类分类器的错误率最小为目标，依次选择有效特征和训练单分类器，从而训练得到整体分类性能更高的纠错码多类分类器。最后，本文对基于纠错码的多姿态人脸检测方法进行了实验验证，实验结果表明该方法可以有效的解决多姿态人脸检测问题，取得了良好的检测性能。