近年来，计算机视觉引起了越来越多的研究者们的注意。其中，目标检测是最重要的环节之一，主要分为监督与非监督。传统的监督方法都是以分类器为基础，而训练分类器需要大量的数据以及不断地调整训练参数，存在时间代价很大的问题。因此，非监督方法成为一个不错的可循蹊径。本文对局部自适应回归核(Local Adaptive Regression Kemel，LARK)特征展开分析，提出了两种稳健的目标检测模型，对不同形态尺度的同类目标都适用（即通用性）。　　(1)基于时域高斯差分LARK的目标检测模型。本文通过深入研究LARK特征提取算子，充分考虑人眼视觉神经细胞的非经典感受野抑制特性，构建了高斯差分LARK（GLARK）特征。同时，本文结合图像时序的上下文信息，建立三维GLARK特征算子，以约束目标定位，解决复杂场景中弱边缘目标检测难的问题，提高目标检测的精确度。　　(2)基于多维LARK的目标检测模型。在上述模型的理论基础上，进一步结合图像光谱上的丰富信息，以保证目标结构的完整性;同时引入深度学习算法，以提升目标标示窗口的自适应能力;通过并行处理相似性计算过程，设计并行式距离打分机制，以解决LARK目标检测方法效率低的问题。　　实验证明，GLARK特征算子对目标弱边缘的感知能力变强，对于一些存在目标局部遮挡、背景干扰等问题的复杂场景视频具有良好的检测效果。本文通过将LARK识别宽度拓展到光谱域，结合深度学习，设计多维LARK目标检测模型，很大程度上降低了传统LARK的误检率和漏检率，并解决了标示目标窗口大小不适的问题。并行式距离打分机制大大提高了本文算法的检测效率，为后续实现实时检测做出了重要铺垫。