本文从人类视觉认知的角度出发,结合视觉系统在信息处理过程中的机理,开展了图像目标检测相关技术研究,其主要的研究内容和贡献如下:（1）针对现有视觉显著性检测算法对其显著图中的背景噪声抑制不佳的问题,依据图像背景信息突显目标区域而前景信息抑制背景噪声的主流思想,提出了一种基于图像背景和前景信息的显著目标检测方法。为了提取准确的图像前景信息,受视觉的图形背景机制启发,在前景分割过程中融合图像的边缘轮廓特征,获取符合视觉感知特性的前景区域,从中提取前景颜色特征以抑制显著图中的背景噪声。实验结果表明,该算法在ECSSD数据集上的F-measure指标为0.6887,较经典的SF和LPS算法分别提高了6.1%和2.5%。（2）针对自然图像中目标对象种类多,场景复杂多变,且现有图像似物性采样算法对不同场景目标候选区域的提取性能有待进一步提高的问题,受格式塔心理学研究的启发,提出了一种基于知觉组织规则的图像似物性采样方法。该算法在原有特征融合框架的基础之上进一步引入了元素连通性原则的特征,以提取图像中具有多种外观模式的目标对象。在学习特征权重时,考虑到各知觉组织规则对不同场景目标的组织作用存在较大差异,提出了一种基于多分类器的特征权重学习方法,通过先验知识将训练样本分组,并在学习过程中自适应地调整样本分组,以学习得到能够适应不同场景的多组特征权重组合。实验结果表明,当保留1585个目标候选区域时,该算法对图像目标的覆盖率为67.3%,较当前主流的Selective Search和CPMC算法分别提高了3.8%和2.4%。（3）针对现有局部轮廓匹配方法对待匹配目标轮廓的检索效率和识别率有待提高的问题,受视觉系统对目标轮廓编码和处理方式的启发,提出了一种基于曲率信息的轮廓描述方法,其所构造的描述符对轮廓的几何变换和局部形变具有较好的鲁棒性。在此基础之上,受视觉反馈调节机制的启发,提出了一种由粗到精的局部轮廓匹配方法,其在粗匹配阶段快速排除与参考轮廓不相关的待匹配样本,在精匹配阶段确定轮廓角点之间的对应关系,同时验证粗匹配结果。实验结果表明,该算法在MPEG-7局部轮廓匹配任务中的识别率为69%,较MVM和VDTW算法分别提高了30%和2%。（4）结合上述图像目标检测技术的研究成果,研究了一种基于外观和轮廓特征的舰船目标检测方法,并建立数据集以验证其有效性。该方法的检测结果对背景干扰具有较好的鲁棒性,以检测率和平均误检率曲线为评价指标,实验结果表明,当平均误检率为0.4时,该方法的检测率为51.2%,较传统的Structure-LBP和S-HOG方法分别提高了21.2%和37.3%。除此之外,研究了一种基于显著性先验和深度学习的舰船目标检测方法,进一步提高了原深度目标检测模型的性能。