随着信息技术的发展,人类对智能化的要求越来越高。目标检测技术是智能技术的一个重要方面,因此在国内外的学术界及工业界都备受关注。本文将借鉴人类的认知过程形成一套智能算法并借助计算机,实现目标检测。人类通常根据特征间的因果关系对物体进行识别。因此,相较于机器学习,人类的认知过程更智能,更具有普适性。本文根据邻域系统的基本思想完成目标的检测过程。基于该思想将事物的整体划分为有限个与特征相关的邻域,将相对复杂的整体问题分解为多个相对简单的局部问题,简化了问题的复杂性。场景与检测目标间通常是因果关联的,因此本文在检测过程中考虑了两个层次。第一层次为场景内邻域的层次,在该层次中事先建立场景知识库,其内包含不同场景与场景内对应的有代表性的特征物体。通过计算机识别出图像中的特征物体,判断出该图像的所处场景。第二个层次为目标邻域层次,在该层次上进行目标检测时,将检测对象分解为若干个有因果关联关系的共生特征部位,这些部位对应图像上的一些特征邻域。据此,本文提出了三个概念,即共生特征邻域、具有大小和方位次序关系的共生特征邻域网和方位次序为首尾相连的共生特征邻域链。基于此将上述那些特征邻域,构建成共生特征邻域网或共生特征邻域链。在已知的场景上利用图像金字塔的方法确定共生特征邻域的大小,在邻域内利用现有的图像处理技术进行特征检测,最后综合考虑这些特征实现目标检测。针对基于形状匹配的特征检测,本文还给出了特征提取变换的具体数学表达式。同时本文还从理论上证明了当共生特征邻域网内的邻域个数越多时,使用该方法进行目标检测的误检率会越低。为了验证本文理论的正确性与可行性,本文尝试用长度为2的共生特征邻域链进行了多人场景中的人脸检测,该邻域链由人体头部邻域和肩部邻域构成。采用简单易实现的检测技术分别提取邻域内的特征,根据链的构成情况综合给出检测结果。为了和其他方法相比较,本文选取了当前主流的深度检测算法YOLO v3在Wider Face数据集上进行训练,并使用同样的图像进行验证。结果表明,在人脸无遮挡的情况下,本文使用仅仅两个长度的共生特征邻域链,所达到的检测效果就几乎与YOLO v3算法相当。特别地,在人脸遮挡严重的情况下,本文算法的查全率明显高于YOLO v3算法的查全率。另外本文算法可解释性强,并且仅需少量样本即可,因此对计算机的硬件要求低,在一般的计算机上也能实现本文算法。