目标检测技术中常用的算法主要分为两大类：基于传统的算法和基于深度学习的算法。

  1. 基于传统的算法：

   (1) Haar特征级联分类器：通过特征级联和AdaBoost算法进行目标检测，是早期常用的目标检测算法。

   (2) HOG特征+SVM：使用方向梯度直方图(HOG)特征提取图像的局部特征，然后使用支持向量机(SVM)进行分类。

   (3) SIFT特征+RANSAC：通过尺度不变特征转换(SIFT)提取图像特征，然后使用随机一致性(RANSAC)算法进行目标匹配。

   (4) SURF特征+FLANN：通过加速稳健特征(SURF)提取图像的局部特征，然后使用快速最近邻搜索算法(FLANN)进行目标匹配。

  2. 基于深度学习的算法：

   (1) R-CNN系列：包括R-CNN、Fast R-CNN、Faster R-CNN，通过使用深度卷积神经网络(CNN)提取特征，并通过候选区域生成目标框。

   (2) SSD：单发多框检测器(SSD)使用卷积神经网络(CNN)在不同尺度的特征图上进行目标检测，提高检测速度和准确率。

   (3) YOLO系列：You Only Look Once (YOLO)算法通过将目标检测任务转化为回归问题，实现实时目标检测。

   (4) Mask R-CNN：在Faster R-CNN的基础上增加了分割头部分，可以实现目标实例的像素级分割。

  除了以上列举的算法，还有许多其他的目标检测算法被提出和应用。目标检测技术在不同的场景和任务中选择合适的算法进行应用，综合考虑速度、准确率、鲁棒性等方面的需求。