目标检测是从静态图像或者动态视频中提取出底层的图像特征并进行编码组合后,通过机器学习的方法,得到对原始图像或者视频的目标检测结果。作为从浅层图像处理到深层图像理解之间的关键环节,目标检测技术已经发展成为计算机智能领域的一个重要研究方向,并被广泛应用到人们生产生活的方方面面。比如,工业生产领域里基于机器视觉的装配机器人、军事应用领域里的遥感航拍图像处理、智能交通领域的监控录像设备以及生活娱乐领域的指纹解码、相机自动对焦等等。这些目标检测技术的应用不仅为现代化经济、国防、科技的发展奠定了基础,也在很大程度上提高了人们的生活质量。目前,目标检测技术还有很大的进步空间,比如如何在不影响检测效果的同时降低机器学习阶段的训练成本、如何丰富目标检测结果的可视化表达以及如何提高在非平衡数据下目标学习和检测的效果等问题。针对以上目标检测技术中遇到的问题,本文基于ESVM集成模型(Ensemble of Exemplar-SVMs)以及ELDA(Exemplar-LDA)目标检测模型,融合多实例学习机制(Multiple Instance Learning),提出了基于ELDA集成的多实例目标检测模型,并获得了较好的检测性能。本文模型首先针对各个范例(exemplar)中提取的HOG(Histogram of Oriented Gradient)特征,用较少的训练成本得到各个范例对应的独一无二的单范例LDA(Linear Discriminant Analysis)分类器。根据验证集图像上的检测结果,构建关联矩阵和共生矩阵对单范例分类器进行集成,以调节检测窗口的打分。接着,本文模型在验证集图像和负样本集图像的检测结果上构建第二层正、负样本包,运用多实例学习算法进行训练,准确找到样本包中每一个样本的正、负标签,构建出单类别mi-SVM分类器。运用单类别分类器对集成的单范例分类器在测试集上的检测结果进行过滤,进一步提高目标检测的准确率,降低误检率。更重要的是,模型可以直接在检测结果上做元数据(分割效果、几何形状等)替换,进而表达出更准确更丰富的目标属性。本文提出的基于ELDA集成的多实例目标检测模型,以MATLAB和C++混合编程实现,对PASCAL VOC 2007数据库上的火车、小汽车、沙发三类物体做了目标检测和性能分析实验。实验结果表明,相较于原始的ESVM集成模型,本文提出的模型在火车、小汽车、沙发上的平均准确率分别提高了7.6%、26.4%和25.2%,降低了单范例分类器训练过程中负样本挖掘的训练成本,同时也丰富了范例对检测结果的智能化表达。