计算机视觉系统在智能视频监控、生物特征识别、人机交互、工业产品检测等领域有着重要的应用。在上述应用中，物体检测和识别是系统的核心。而物体检测和识别主要有两个过程：图像特征描述和提取、分类器设计。由于基于可见光的图像受光照变化、遮挡、姿态、环境等因素影响很大，如何提取鲁棒的、鉴别性强的、紧凑的图像特征是物体检测和识别的基础。因此，图像特征提取和描述是本论文的主要内容之一。另外，完成特征提取和描述后，分类器的泛化能力决定了系统能否正确完成检测和分类。而分类器的效率则决定了系统能否进行实时处理。所以，本论文也重点研究了如何提高物体检测的效率。在特征描述方面，本论文在局部二值模型（LBP）的图像特征描述子基础上，提出了两种新的图像特征描述子，即二阶局部二值模型(Double Local BinaryPattern）和多邻域形成的局部四值模型(Local Quaternize Pattern)，分别简称DLBP和LQP。其中，DLBP是针对原始LBP缺失空间信息这一点提出来的，它对LBP图像再次进行LBP处理，并将两次LBP进行联合；而LQP则是更加充分利用了图像中每一个像素点的邻域信息，它分别求出较小邻域与中心像素点间的LBP，较大邻域与较小邻域间的LBP，然后将两次LBP进行联合。在特征提取方面(维数约简)，为了在图像搜索中利用排序信息提取紧凑的低维特征，本论文为了将排序相关等级信息和排序分值信息引入到特征提取中，提出了基于相关近邻保持嵌入的图像搜索重排算法，称作RNPE-Reranking。该算法通过在邻域保持嵌入（NPE）算法中引入相关信息，实现了一种相关邻域保持嵌入（RNPE）的维数约简算法，并与排序学习算法RankingSVM相结合实现了图像搜素重排序应用。在快速分类器方面，现有级联AdaBoost算法对正例窗口存在冗余判决的问题，提出了基于双阈值的级联AdaBoost学习框架，该框架能够去掉冗余判别并能提前进行正确判决的方法，达到了提高物体检测效率(速度)的目的。上述方法的共同点和创新点是，无论是在特征描述阶段，特征提取阶段还是分类器设计阶段，都通过引入额外的关键值提高了算法的性能。在提出的二阶局部二值模型和局部四值模型中，不仅利用了二阶信息，还利用了四值信息；在特征提取阶段，所提出的相关近邻保持嵌入的维数约简方法，利用了优、良、中、差等多个相关信息；在所提出的双阈值级联AdaBoost算法中，在已有用来排除负例子窗口阈值基础上，使用了一个额外的阈值，完成了对正例样本的提前接受。