| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 插图目录 | 第11-13页 |
| 第一章 绪论 | 第13-24页 |
| ·问题概述 | 第13-14页 |
| ·物体识别的研究进展 | 第14-20页 |
| ·预处理（Preprocessing） | 第14-15页 |
| ·特征提取（Feature Extraction） | 第15-16页 |
| ·建模（Modeling） | 第16-19页 |
| ·匹配/识别（Matching/Recognition） | 第19页 |
| ·定位/分割（Location/Segmentation） | 第19-20页 |
| ·物体识别的难点 | 第20-21页 |
| ·特征的定义与选取 | 第20页 |
| ·特征融合 | 第20页 |
| ·模型混合 | 第20-21页 |
| ·物体识别数据集简介 | 第21-23页 |
| ·Caltech 101 | 第21-22页 |
| ·PASCAL | 第22页 |
| ·LHI 数据集 | 第22-23页 |
| ·论文的结构安排 | 第23-24页 |
| 第二章 判别式模型——基于多核学习的特征融合 | 第24-39页 |
| ·特征融合方法 | 第24-26页 |
| ·核方法（Kernel Methods） | 第25页 |
| ·多核学习（MKL） | 第25-26页 |
| ·基本特征 | 第26-36页 |
| ·SIFT 特征 | 第26-30页 |
| ·LBP 特征 | 第30-34页 |
| ·AS 特征 | 第34-36页 |
| ·基于 MKL 的特征融合 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第三章 产生式模型——Active Basis | 第39-49页 |
| ·Active Basis 模板 | 第39-42页 |
| ·Active Basis 的表示形式 | 第39-40页 |
| ·Active Basis 的学习模式 | 第40-41页 |
| ·结构上的反推 | 第41-42页 |
| ·Active Basis 的表示、学习与反推 | 第42-48页 |
| ·Gabor 小波与稀疏编码 | 第42-44页 |
| ·Active Basis 模型 | 第44-45页 |
| ·共享轮廓算法（Shared Sketch Algorithm） | 第45-46页 |
| ·反推：SUM-MAX 映射 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 混合模型 | 第49-56页 |
| ·空间金字塔结构 | 第49-52页 |
| ·金字塔匹配核 | 第50页 |
| ·空间金字塔 | 第50-52页 |
| ·空间 Active Basis | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 实验结果与分析 | 第56-62页 |
| ·判别式模型 | 第56-58页 |
| ·特征提取结果 | 第56-57页 |
| ·实验结果 | 第57-58页 |
| ·产生式模型 | 第58-59页 |
| ·特征提取结果 | 第58页 |
| ·实验结果 | 第58-59页 |
| ·混合模型 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
