对称物体在自然图像和合成图像中普遍存在。作为对称物体最重要的全局特征之一,对称性检测长期以来都是计算机视觉领域的研究热点,并在图片的语义提取、图像语义理解以及情感识别等任务上具有广泛的应用。对称物体的检测技术,就是将图片中所蕴含的对称目标信息提取出来。一般而言,具体可包含提取对称目标物体的位置、对称类别（如平移对称、旋转对称和反射对称等）及其所包含的几何信息,如反射对称的对称轴。传统的对称性检测方法是以特征为中心的,顾名思义,这种方法是基于提取的一个图像特征或多个特征的。具体而言它首先计算出图像的普遍性特征表征（如SIFT特征）,然后根据该特征的特性估计对称目标所需的参数。以特征为中心的方法的优点是方便快捷,无需在特征层面投入太多精力,第三方的特征表达就足以抽象出对图像的表征。然而,这类方法的缺点也很明显,就是需要去优化大量的已计算选出来的特征匹配对,这也是这类方法目前的主要解决的难点;而且值得注意的是,由于忽视的特征工程在对称性检测任务上的作用,特征的重要性和特殊性没有被考虑进入特征的构建中,导致了较低层次特色和较高层次的视觉检测任务之间的“语义鸿沟”被忽略了。针对传统对称检测方法忽视特征表达和匹配对优化等问题,本文提出了一种从特征设计到检测优化的完整框架。具体而言,本文在现有以特征为中心的方法基础上加以改进,使其更适合反射对称性目标的检测以及相关对称信息的提取。本文方法的改进主要包括:1、尝试用定量的方式去提取在反射对称这个特定任务下的特征表征,即具有显著性对称性的特征（Salient Symmetry Feature,SSF）。设计该特征的灵感来源于人类对对称性敏感,我们尝试在尺度空间中提取一组显著性对称点（SSF）来简单地模拟人类感知对称物体的过程,然后用局部信息对最终的SSF像素进行编码,得到对称物体最终的特征表示。2、对于信息未知的图像,对称核的大小至关重要。对称核的尺寸较小,局部信息的丢失使得对显著性点的对称响应测量较少,导致一些重要特征被滤除。当其较大时,虽然理论上可以检测到更为对称的显著性点图案,但同时也会带来计算量陡增等问题。为了解决这些问题,我们在框架中嵌入了一种自适应核尺寸（Adaptive Kernel Size,AKS）算法来使得该算法对对称核敏感,从而自适应的改变对称核的大小。3、为消除噪声误差,更精确地匹配对称点,设计了一种基于随机搜索和邻居点的匹配对称点更新方法。同时,我们将提出了对称轴信息显式转存为可视化的二值化矩阵——对称变换矩阵（Symmetric Transformation Matrix,STM）。借助于STM的秩矩阵和所提出的能量函数可以确定图像最终的对称轴情况。所提出的对称性检测框架在两个不同的数据集上进行了测试,第一个实验对本文提出的SSF的有效性进行评价。实验结果表明:当Loy的方法将原特征替换为本文的SSF时,其效果在单轴的情况下略有提高,而对于多轴的真实图像则相对更明显。同理,将Nagar方法特征替换为SSF,单轴情况下提高了更多的性能。第二个实验是对整体的对称物体检测效果的评价,我们将所提出的优化检测框架与目前最先进的方法进行了比较。结果表明,我们提出的框架可以在单轴和多轴情况下达到第二高的性能,与最佳方法没有明显的差距。对于单轴反射对称,该方法优于除Nagar以外的其他方法。对于多轴情况,所提出的方法实现了领先的性能,这也表面了整个检测框架与现有的检测方法相比具有一定的竞争力。