物体检测作为一个具有较高挑战性的问题,它的难点主要在于不同类别的物体之间有较大的差异性,即使对同一类物体来说,拍摄视角、物体位置、物体形变等方面的差异也会对检测结果造成影响。传统的可形变模型(Deformable Parts Model,DPM)通过训练不同视角的模型和衡量整体与部件之间的关系,一定程度上解决了视角与形变问题,但受到HOG特征表达的限制,检测效果的提升逐渐遇到瓶颈,并且这种方法并没有充分的利用类别之间依赖性、物体潜在位置等等信息。本文从DPM模型本身的特征提取、部件和模板设置、优化形式等几个方面分析并设计了DPM模型的改进方法,进而研究并分析了可能对检测结果造成影响的多个因素,包括物体位置分布、物体大小以及不同种类间物体共存性等等,并在DPM的基础上通过一个多重的训练过程整合以上信息,对检测结果的置信度进行重新评价:首先,在DPM模型检测阶段对降维后重新整合的HOG特征、稀疏编码特征、深层卷积特征等具有不同的表达能力与模型检测速度的特征进行了比较,以及对DPM结果重新评价的过程中分别使用的Gist、Geometric、深层卷积特征进行了分析,这些特征作为信息来源被之后的检测、重评价等过程使用。其次,利用DPM方法进行物体检测生成初步结果,即对整体和部件分别进行特征模板匹配,用动态规划方法确定部件位置,并用部件相对整体中心的位置进行类弹簧损耗惩罚,获得综合了模板匹配与形变损耗的优化函数。其中,探讨了不同的部件个数、模板类别及优化方法的设置对检测结果造成的影响。最后,根据DPM的检测结果,针对潜在信息的不同形式设定类别、位置、是否共同出现等不同的训练目标,采用不同特征和SVM分类器进行训练,得到不同类别潜在信息的表达结果,将这些结果与DPM的检测结果融合在一起,重新进行训练,生成新的检测置信度,潜在信息的表达借此对DPM检测结果产生影响,从而获得更好的检测效果该方法在PASCAL VOC 2007、INRIA等数据库上进行实验验证,实验结果表明,这种对已存在模型结果进行利用潜在信息进行重新评价的方法能够一定程度上有效地提升检测效果。