目标检测旨在完成图像或视频中目标的定位和目标类别的识别。随着深度学习方法在目标识别任务上分类精度的提升,快速的目标建议窗口生成方法吸引了很多学者的注意。相对于平滑窗方法生成的数百万级别的目标候选窗口,目标检测器只需在少数量的目标建议窗口集合中定位目标,从而可以显著地降低检测器的计算复杂性。但是目标建议窗口生成方法通常存在召回率低和运行速度慢等问题,从而导致这些方法的应用受到很大局限。相比之下,人类视觉系统可以快速地定位到各种目标,比如显著目标、美感区域、一般物体等目标。因此,在借鉴人类视觉系统的目标定位机制基础上,构建快速的目标建议窗口生成方法、检测特定目标和一些主观目标,可以极大地推动目标检测和其他计算机视觉任务的发展。本文深度剖析目标检测任务中存在的几个重要且具有代表性的问题（包括目标检测计算复杂度大、视频中目标召回率低、小尺寸目标和主观目标难检测等问题）。针对这些问题,本文提出了几种新的解决方法并应用于目标检测、目标跟踪、显著性检测、美感区域检测和人脸检测等领域。本文的主要工作和贡献包括:（1）提出一种基于图像区域内聚度的目标定位方法。所提出的目标定位方法利用谱聚类对图像进行分割,并把不同的分割区域作为目标建议窗口。本文在深入研究了谱聚类方法中的一些传统相似性矩阵后,提出了一个鲁棒于光照的相似性矩阵构建方法。通过在小窗口内而不是整个图像范围内定义一个鲁棒于光照变化的像素相似性度量方法,以提高两两像素之间的相似性度量的准确度。然后,当把基于该相似性度量所产生的相似性矩阵用于谱聚类时,有着相同颜色并且空域上相邻近的像素会被有效地聚集在一起。本文在理论上推导出相似性矩阵的特征值可以作为聚类的内聚测度。相似矩阵的每个特征向量则对应图像中不同的目标区域。通过利用所提出的相似性矩阵的特征值和特征向量,可以快速地生成少量、高召回率目标建议窗口,使得目标建议窗口内尽可能地包含要检测的目标。此外,所提出的基于图像区域内聚测度的目标定位方法还被应用于显著性检测。（2）针对视频中的特定目标,提出了一种有效的特定目标建议窗口生成方法。所提出的方法采用两个重要的似物性线索（既颜色和边缘）来生成目标建议窗口。由于颜色和边缘是两个互补的似物性线索,所提出的特定目标建议窗口生成方法的召回率高。此外,本文还提出一个根据目标建议窗口和被跟踪目标之间的尺寸、颜色、形状的三者组合相似度的建议窗口排序策略。该排序策略使得最终的目标建议窗口的召回精度得到进一步提高。实验结果显示:在几个主流的目标跟踪数据集上,所提出的特定目标建议窗口方法获得的召回率比最新的目标建议窗口生成方法获得的召回率高出约20%-60%。为了验证本文所提出的特定目标建议窗口生成方法,本文把所提方法应用于目标跟踪任务里,并提出了一个相应的目标跟踪方法。实验结果显示本文所提出的跟踪方法获得的跟踪精度比2015年视频跟踪竞赛冠军的MDNet跟踪方法所获得的跟踪精度还要高出约3%-11%。（3）提出一种高效的美感区域检测方法。美感区域检测又称自动图像美感区域裁剪。让计算机模仿专业摄影师裁剪出美感图像区域是一项比较主观且十分困难的任务。其中制约图像自动裁剪性能的一个关键问题是缺少大量专业摄影师标注的训练样本。本文提出了一个两步学习策略来解决样本不足的问题。首先使用一个二分类卷积神经网络模型在大规模美感数据集上进行预训练。训练的卷积神经网络模型被用于提取图像区域的美感特征。基于这些美感特征,本文提出了一个收敛速度快且泛化性能好的级联回归模型,用于回归专业摄影师裁剪的图像区域。实验结果显示本文提出的方法明显优于其它现有图像裁剪方法。（4）提出一种基于卷积神经网络的快速人脸检测方法。当前的基于卷积神经网络的人脸检测方法大多是基于图像金字塔来提取多尺度特征。然而,这种策略会增加人脸检测的计算复杂性。此外，这些方法因受限于其所采用的目标建议窗口生成方法而无法有效地定位小目标。本文提出了一种基于判别完备特征图的快速人脸检测方法。判别完备特征具有一定的尺度不变性。根据所提方法,人脸检测可以直接在判别完备特征图上执行。因此,本文所提出的人脸检测方法避免了传统方法中采用的图像金字塔策略,这可以提高人脸检测的效率。实验在几个主流的人脸检测数据集上展示了本文提出的人脸检测方法的运行效率和有效性。