在这个网络图像资源呈指数级增长的时代,如何高效的检索分类图片,成为研究的热点话题。本文所研究的数字图像的物体检测就是这样一个工作：从数字图像当中提取其中所包含的物体信息。其基本方法包含数字图像的分类和物体的定位两大部分。本文的研究涉及图像的底层特征提取方法、不同特征的性能评价、物体检测方法的研究等等内容,基于已有的方法,提出一些新的方法,并用实验加以验证。本文主要做了以下几个方面的研究工作：首先探讨了不同的特征各自的提取方法、特征的表示方法、这些特征的比较选择以及特征的匹配方法,并介绍了我们在特征匹配部分这方面的工作。在物体检测的ROI方法的研究上,我们改进了现有的特征点选择框架,采用基于图片中物体前后背景的差异的方法进行选择特征,再使用这些特征对图像做分类检测。与现有的方法相比,通过该方法选择的特征,能够更好的表示出物体的特性,应用到物体检测和分类方面,能够大大提高精度。在基于特征选择的高效窗口搜索方法的研究上,我们使用高效子窗口方法,对上述ROI检测方法进行加速。ESS方法是基于分治法的快速窗口搜索方法,本文在ROI特征选择的基础之上,证明了ESS方法在我们ROI检测框架上的理论可行性,并通过实验验证了我们算法的性能和效率。在物体定位的分割图算法的研究上,本文探讨了图像定位中的特征点、分割块与物体区域之间的关系。分割图算法采用自底向上的方法,从底层像素开始,结合局部区域的特征提取方法、图像分割算法和图优化方法,对已知物体进行定位。该算法在PASCAL VOC2007等数据集上进行了实验,取得了不错的效果。在基于显著性和模糊性的前景提取算法研究上,本文发现对于专业的摄影者使用专业的设备拍摄的图像当中,图像前景和背景会发生不同程度的模糊。这种现象能够一定程度上区分前景和背景的区域。基于此设想,本文从摄影者的角度出发,重新定义了前景的具体概念-即距离近和清晰度高的特性。本文将模糊性的提取方法与显著性的提取方法相结合,通过图像分割将两者结合在一起做前景提取,并通过实验验证了我们前景定义的合理性和算法的可行性。