遮挡问题的研究对大部分视觉技术的发展具有重要的基础作用。如果视觉系统无法采取正确的措施处理遮挡现象,大多数视觉技术将会失效甚至出错。因此,如何准确地检测出遮挡成为了大多数视觉问题的关键环节。而深度图像在遮挡检测领域的应用也越来越广泛,它具有一般图像的属性,其中每个像素点的值代表目标物体上的点到摄像机坐标系下的摄像机平面的距离。为了提高现有基于深度图像的遮挡边界检测方法的准确性,同时获得较好的普适性。本文基于深度图像综合运用深度信息、机器学习等理论,对视觉目标的遮挡边界检测方法进行了研究。首先,给出了深度图像的概念、获取方法及其应用,遮挡的概念、分类和遮挡边界的介绍,此外,还给出了本文所提方法涉及的机器学习的相关知识。其次,通过深入研究深度图像中像素点的深度信息与遮挡现象的关系,结合已有遮挡相关特征,提出八邻域总深度差特征和最大面积特征两种新特征并定义了它们的计算方法。在此基础上,提出一种基于集成学习思想的遮挡边界检测方法,该方法利用多个弱分类器生成强分类器,实现对深度图像中遮挡边界的检测。再次,提出一种不需要利用事先标记好的正负样本训练分类器的遮挡边界检测方法。该方法首先提出一种区分性较好的遮挡相关特征,最大正向向量长度特征;然后利用该特征基于简单图像统计的阈值分割方法进行分割,并将分割结果用于训练机器学习分类器;最后,利用得到的遮挡边界检测分类器进行检测。最后,通过实验验证所提遮挡边界检测方法的可行性和有效性,并对实验结果进行了比较与分析。