快速有效地检测人体在计算机视觉中有许多应用，例如智能汽车、视频监控、图像检索和高级人机交互等。在智能视频监控中，自动在场景中搜索人体被视为理解人类活动的首要预处理步骤。由于人体自身姿态变化多端，衣着具有多样性以及背景、光照条件的复杂性，使得在图像中进行人体检测面临巨大的挑战。 本文首先给出一种图像中的人体检测算法，将边缘方向特征和Haar-like特征作为候选特征集，采用改进的Adaboost算法来训练人体检测器中每层的强分类器。针对传统Adaboost算法训练较慢的缺点，提出一种快速特征选择算法，通过构造统计表，保存特征信息，避免每轮弱分类器训练时对所有特征重新计算分类误差；并结合fisher判决分析方法对选出的弱分类器进行训练，学习得到一个新的线性判决方程，最大化不同类别数据之间的可分离性，达到优化强分类器降低风险敏感影响的目的。 另外，本文还对最终分类器的分层级联结构进行了改进，即在传统的分层结构基础上加入若干附加的分类器，这些分类器是利用原来级联结构中每层强分类器的置信度信息，通过支持向量机训练得到的。改进后的分层级联结构由于充分利用了层间信息，能够更快地将负样本排除掉，显著提高人体检测器的效率。 本文还将该算法应用到视频中，用来检测视频中的运动人体。首先对视频中的运动目标进行检测，采用减背景的方法，通过高斯混合模型建立背景模型，在模型参数不断地更新过程中，得到前景图像。对二值化的前景图像作数学形态学处理，并采用8-邻域连通区域分析方法来标记运动区域，在原视频的运动区域内利用已经训练好的人体检测器得到最终检测结果。 实验结果表明，无论是在图像中还是在视频中，本文给出的方法都能够有效地检测出人体，并且基本满足实时的要求。