目标检测已经成为社会各领域的重要研究课题之一。传统检测模型通常采用人工特征提取方法获得目标的特征描述,然后输入到一个分类器中学习分类规则。然而,人工特征提取方法比较复杂,对设计者提出了比较高的学术要求。其次,这些方法高度依赖于具体任务,要求设计者有丰富的实际经验。再次,这些方法也有各自的局限性,对应用环境提出严格的假设前提,如小尺度、小角度的变化等等,在现实应用中很难得到满足。最后,传统检测模型分离了特征提取和分类训练。如果在特征描述中人工提取的特征对目标不够好,那些丢失的有用信息再也无法从分类训练中恢复出来。卷积神经网络是一种将多层人工神经网络和卷积运算相结合的新型网络。它通过卷积运算让计算机自动从图像中提取目标特征,这样获得的特征更自然,并且通用性好。同时,它对一定程度的扭曲形变有良好的鲁棒性。另外,它采用了稀疏连接和权值共享,极大减少了神经网络模型的参数个数。然而,卷积神经网络需要对整个目标进行处理,对于一些复杂目标,模型需要大量的中间节点,计算量大。其次,卷积神经网络只能进行监督学习,所有训练样本都需要事先正确标注。另外,随着网络深度的增加,模型参数越来越难在各层之间有效地传递,这样限制了参数的自适应学习。所有这些不足阻碍了卷积神经网络模型的广泛应用。本文提出了一种基于卷积神经网络的新型目标检测模型,有效地解决了这些问题。首先,本文模型采用了部件检测模块,将复杂目标切分为多个部件分别检测,降低了计算量。其次,本文提出了一种隐式训练方法,能够训练模型从未标注的样本中确定隐藏变量的标签,进而学习目标的分类规则。最后,本文还提出了两段式学习方案,借鉴“预训练”的思想逐步叠加网络的规模,避免了参数学习受限。在公共的静态行人检测库INRIA[1]和数字角点库A-MNIST上的实验验证了本文模型优于现有的主要检测模型。