物体候选区域生成已经成为了物体检测算法中重要的一步,并且被成功地应用于其它计算机视觉问题,如视频内物体检测与跟踪、三维物体识别、手写图形识别等。物体检测器使用物体候选区域生成算法将原本需要检测的数以百万计的滑块窗口降到了只有几千、甚至几百个窗口。这使得物体检测系统能够在合理的时间预算内使用更为复杂的分类器,例如深达百层的卷积神经网络对窗口内图像进行物体识别。在本文中,我们提出了一个新的物体候选区域生成算法:分支层次分割。我们根据复杂物体需要使用不同相似度度量才能将其多个不同颜色、纹理的部件组合在一起这一观察,提出在自底向上的层次分割的每个阶段同时使用多种不同的相似度度量。这种多阶段分支搜索策略能够有效扩展在分割区域组合空间中的搜索范围。为了有效地提高多支层次分割的物体检测率,我们提出了一个通过调整训练样本权重的算法来顺序地训练互补相似度度量。与同样采用调整样本权重进行训练的Adaboost算法不同之处在于,我们的目标不是选择多个弱分类器来组合成一个强分类器,而是去获得一组互补的相似度度量,使得其中总有某个相似度度量能够检测到被其它度量遗留的物体。我们与其它物体候选区域生成算法进行了详尽的实验比较,并且在各项物体候选区域衡量指标中取得了相近、或最好的结果。另外,为了能够直观地比较各种物体候选区域算法在实际物体检测应用中的表现,我们测试了R-CNN物体检测器在使用各种不同物体候选生成算法时在Pascal VOC2007测试集上的物体检测精度。在参与比较的方法中,我们的多支层次分割算法取得了最高的mAP值,并且比原始R-CNN检测器使用的Selective Search算法少使用了30%的物体候选区域。