随着科技的发展和网络通讯的广泛应用,图像信息爆炸式的增长使人们对图像处理技术的需求日渐扩大,目标检测也随之成为当前机器视觉领域和计算机领域的研究重点。精确的目标检测是后续图像识别、跟踪、匹配、检索等智能分析处理过程顺利进行的必要条件。但在目标检测过程中往往存在检测场景复杂、阴影遮挡、光照变化以及单一特征信息利用不充分等问题。为有效避免外部干扰,提高复杂场景下目标检测的准确性,本文对基于多特征分类的目标检测算法进行了深入研究,主要研究内容如下:(1)对单一特征的提取方法进行了研究与分析,着重研究了纹理特征提取中的LBP(Local Binary Pattern)方法,边缘特征提取中的Canny算子和Sobel算子,以及颜色特征提取中的颜色直方图和颜色矩的相关概念。为方便后续图像预处理阶段的研究和分类算法的改进,对稀疏理论和支持向量机的基本理论进行了深入研究。(2)在图像预处理阶段,研究了噪声的分类、常见的几种噪声和去噪对比算法——Wiener滤波、LPG-PCA(Principal Component Analysis with Local Pixel Grouping)和K-SVD之后,针对复杂场景下噪声对目标检测产生的干扰,提出了一种基于改进SVM和稀疏理论的图像混合去噪算法。在实验阶段,将本文去噪算法与Wiener滤波去噪、LPG-PCA去噪和K-SVD去噪算法进行对比,实验结果显示,本文所提出的混合去噪方案具有更好的去噪性能和结构相似性,能够很好地保存图像边缘和纹理。(3)在分析矩的优势之后,利用Zernike矩和归一化颜色直方图来提取图像的形状特征、纹理特征以及颜色特征,在特征融合阶段选择多核学习方法来进行特征融合。在实验阶段,将单核支持向量机(Support Vector Machine,SVM)+单一描述符的识别率跟多核支持向量机+特征描述符的不同组合的识别率进行对比,并对算法时间复杂度进行分析,实验结果表明,本文算法识别率更高。(4)在粒子群算法(Particle Swarm Optimization,PSO)优化入侵杂草算法(Invasive Weed Optimization,IWO)的启发下,深入研究了烟花算法(Fireworks Algorithm,FWA)的优势并结合PSO算法的特点,提出了FWA-PSO参数优化算法,以此提高多核SVM的分类性能。并将本文分类方法与PSO-SVM、FWA-SVM进行目标检测正确率的对比,实验结果表明,本文参数优化算法的检测正确率最高。在最后的实验过程中选取具有现实意义的交通道路标志作为目标来进行检测,将所提出的算法在中国交通数据集CSUST(Chinese Traffic Sign Detection Benchmark)中进行实验。实验结果显示,本文算法在禁令标志、警告标志和指示标志的检测结果的平均正确率达到了98.77%。