随着计算机科学技术的飞速发展,图像处理技术和计算机视觉技术在日常生活,工业和军事领域得到了广泛的应用。目标检测作为图像处理与计算机视觉中重要的组成部分,一直以来都是研究的热点与难点。认知心理学专家研究发现,相较于颜色、纹理等特征,人类对于轮廓特征更加敏感,识别的稳定性和鲁棒性更高,因此基于轮廓特征的目标检测受到了广泛的关注。但由于应用场景的复杂性、目标外观的不确定性、目标之间以及目标与背景之间的遮挡等都给目标检测带来困难。在国家自然科学基金项目(编号:51405320)和苏州市科技计划项目(SYG201511)支持下,本文针对上述问题研究了图像平滑预处理方法、图像轮廓提取方法以及基于轮廓特征的目标检测算法,全文主要研究内容如下:研究了结构保留图像平滑预处理算法。首先利用尺度关注的方式产生引导图像,即将域变换滤波与双边滤波同时引入循环引导框架;接着将原图像和引导图像作为双数据保真项引入稀疏0范数梯度最小化方程;通过半二次变量分裂法引入辅助变量构建易于求解的模型;最后使用交替最小化算法来获得平滑图像。该方法在尽量保留图像结构的前提下有效地移除细节及噪声,为进一步的轮廓提取创造良好的条件。研究了两种图像显著性轮廓提取方法。第一种方法先用结构保留平滑算法处理图像,再使用传统的轮廓提取方法,如Canny算子,获取轮廓,该方法较好地保留图像显著轮廓,具有较低的算法复杂度。第二种轮廓提取方法是使用g Pb算法作为轮廓检测器,然后使用Otsu算法结合提出的双阈值法获得图像轮廓点,该方法结合多种图像特征来提取轮廓,检测结果更加准确,噪声也更少,但算法复杂度更高。研究了训练目标形状模型的算法。传统的扇形模型存在对目标形变较大部分描述不足的问题,对此,本文提出一种精炼的扇形模型,该模型通过自动检测并移除目标中不稳定的轮廓点而生成。实验表明精炼的模型不仅在一定程度上解决了该问题,提高模型的鲁棒性,同时降低了模型的复杂度,提升后续轮廓匹配的效率。研究了图像轮廓匹配算法。联合轮廓多种特征的概率密度分布函数构造匹配函数以定位目标。由于目标发生翻转或旋转时,轮廓点的倾角及边缘方向角等与原始值仍保持某种恒定的关系,为此构造三个共用相同目标形状模型的轮廓匹配函数,可以有效地定位出目标、目标镜面翻转以及发生旋转的目标,提高了算法的通用性。通过对ETHZ shape classes和INRIA horses图像库的实验对比分析,证明了该方法的有效性。本文基于轮廓特征对自然图像中目标进行检测,内容涉及到图像平滑预处理、轮廓提取、目标形状模型训练以及轮廓匹配算法研究四个方面,提出了一套较完整的从图像预处理到最终的目标轮廓定位的流程,通过对多个标准库的实验验证了本文算法的可行性。