静态图像中的目标识别是计算视觉的基本任务。通过提供目标相关信息,如类别、位置等,目标识别成为连接图像底层识别任务和高层应用的一项关键技术。而多类目标检测正是实现目标识别的一种途径,它以检测框的方式标记目标,并得到检测框对应目标的类别,因而能够从图像中提取相对完整的目标相关信息。虽然针对多类目标检测的研究不断取得进展,但目前仍存在一些问题。其中包括:其一,不同目标可能存在不同的类内差异性和类间相似性,不同图像背景千差万别,因此仅用单一检测模型获得的目标信息难以实现对不同目标的检测;其二,目标检测通常被建模为二分类问题,这样的建模方式忽略了样本之间的顺序关系,尤其是对信息和列信息的作用;其三,由于被建模为二分类问题,因此对目标的描述多采用词标签,难以获得更为丰富的目标描述。针对上述问题,本文尝试通过建模物体内部的结构来获得更强的检测模型,通过将目标检测问题建模为排序问题来挖掘更多的样本信息,并在此基础上生成对目标更丰富的语言描述。本文的主要工作和研究成果包括:（1）提出了一种排序可变形部件模型（Ranking Deformable Part Model,DPM, RDPM）。该模型在利用可变形部件模型（Deformable Part Model,DPM）获取目标内部结构的基础上,进一步引入排序形式的目标函数。本文证明了该目标函数为一个泛凹-凸规划（Generalized Concave-Convex Procedure,GCCCP）问题,进而提出了一个该问题的优化算法。在公开数据集上的实验表明,RDPM具有比DPM更好的检测性能。（2）提出一种针对目标检测问题的目标排序框架,并将这一框架应用于DPM的k-best结果集。通过集成多个排序器来构建适用于目标检测的排序算法,本文提出了 Bagged LambdaMART为目标排序的底层模型,并在动态样本集上训练得到了性能良好的排序模型。实验表明,目标排序框架大大提升了 DPM的性能,在多个类上达到了当时最好的性能。（3）提出了一种基于可变形部件模型的图像语言描述自动生成模型。基于物体内部结构的目标检测结果集包含目标类别、目标位置和子部件布局三类信息,模型首先将这三类信息与语言中的单元建立对齐关系——通过规则将目标类别对应于名词、将目标位置对应于位置介词,通过分类方法将子部件布局对应于形态词。之后,在对齐关系的基础上,提出了一种涵盖句子聚合和表层生成的描述生成算法。实验表明,与通过现有深度学习模型得到的描述相比,本文提出的图像描述生成模型不仅可以生成多句描述,还可以生成更完整的针对目标位置和目标形态的描述。在此基础上,本文实现了一个以基于物体内部结构的目标检测为核心的图像描述自动生成演示系统以及一个基于对齐模型的图像检索演示系统。