目标检测（Object Detection）是一类计算机视觉任务，用于在图像或视频中识别目标类别，并同时确定目标所在的位置。该技术结合目标分类与空间定位能力，不仅需要判断图像中「有什么」，还需要回答「在哪里」，通常通过预测目标类别、边界框（Bounding Box）或其他空间信息实现对视觉场景的结构化理解，是计算机视觉领域的重要基础任务之一。

目标检测的发展建立在图像分类、目标定位和传统计算机视觉等多个领域的长期研究基础之上。早期方法主要依赖滑动窗口（Sliding Window）、人工设计特征（如 Haar 、 HOG）以及分类器组合完成目标搜索，但计算效率和复杂场景适应能力有限。随着深度学习的发展，研究人员开始利用卷积神经网络自动学习视觉特征。 2014 年，加州大学伯克利分校研究人员 Ross Girshick 等人在论文 Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation 中提出 R-CNN 方法，将深度卷积特征引入目标检测任务，显著提升了检测性能，成为深度学习目标检测领域的重要代表性研究之一。

现代目标检测系统通常基于卷积神经网络（CNN）、 Transformer 和视觉基础模型等技术，对图像中的目标进行分类和定位。根据检测方式不同，可分为两阶段检测方法（如 Faster R-CNN）和单阶段检测方法（如 YOLO 、 SSD）等方向，并广泛应用于自动驾驶、智能监控、机器人感知、工业检测和医学影像分析等场景。近年来，检测范式也在发生变化：以 DETR 为代表的端到端 Transformer 检测器省去了锚框设计和非极大值抑制等手工后处理步骤；结合视觉-语言模型的开放词汇检测（Open-Vocabulary Detection）方法则让系统能够识别训练时未见过的目标类别，进一步拓宽了目标检测的应用边界。