遮挡现象无处不在,而由遮挡导致地一系列难题却又在实际生活的方方面面给人类带来了很多不便甚至成为视觉领域如场景重建、物体识别、目标跟踪、立体匹配、视觉测量等视觉任务前进的绊脚石。近年来,遮挡问题逐渐从相关视觉任务中分离出来引起了学者们的关注,而如何运用所学理论和知识找出更多准确有价值的遮挡信息成为解决遮挡问题的重点研究对象。本文在综合分析国内外研究现状的基础上,利用数学、机器学习等相关理论知识结合深度及空间信息针对深度图像中的目标物体的检测进行了研究。首先,介绍深度图像的相关知识,阐述发生遮挡的原因,给出遮挡边界的定义并简单描述本文检测中涵盖的分类方法及归一化方法。其次,提出一种基于无监督聚类思想检测深度图像中遮挡边界的方法。首先,根据深度图像中视觉目标的空间及深度信息提出了加权最长线段特征。然后,结合遮挡边界点与其邻域点的特征值分布情况提出了一种非线性归一化方法归一化遮挡相关特征。最后,以像素点为单位将各遮挡相关特征组成联合特征向量输入到无监督聚类分类器中,判断待测像素点是否为遮挡边界点。再次,提出一种基于K-均值分割结合监督思想的边界检测方法,首先,利用有效中值变换思想和K-均值分割提取遮挡边界检测训练数据集生成带标签样本。然后,将带标签样本输入到遮挡检测分类器模型训练分类器。最后,利用训练完成的分类器进行边界检测。最后,对提出的深度图像遮挡边界检测方法进行有效性和可行性验证,并结合实验结果对其进行分析。