近年来,行人检测技术在人工智能领域得到了广泛应用。行人目标不同于其他刚性目标,行人姿态多变,且易受周围环境的影响。如何从复杂场景图像中高效准确地检测出行人成为当前研究的热点和难点。为了改善复杂场景中的行人检测效果,本文基于图像多特征提取算法开展行人检测技术研究。主要研究内容如下:（1）针对实际应用中行人检测所面临的困难,系统分析了目前应用较多的特征提取算法对行人的表征能力,研究了主流分类算法对行人分类识别的优缺点,为后续行人检测算法的研究提供理论基础。（2）针对传统HOG（Histogram of Oriented Gradient）特征提取速度慢、数据维度大等问题,研究了快速HOG特征提取。采用积分图原理,计算HOG积分图,提升了 HOG特征计算速度。采用特征降维算法,对HOG特征矩阵降维处理,剔除了冗余数据,减少了计算量。实验结果表明,采用快速HOG特征对行人检测时具有更高的检测效率。（3）针对单一特征在部分复杂场景中对行人表征能力不足的问题,研究了快速HOG特征结合Gabor特征的行人检测算法。通过Gabor滤波器,提取样本的Gabor特征。采用串行融合的方式,将快速HOG特征和Gabor特征生成混合特征构造分类器。实验结果表明,相比单一特征构成的分类器,混合特征构成的分类器在部分复杂场景中可以有效减少漏检、误检情况,提高了行人检测的正确率。（4）针对串行融合时表征能力不同的特征融合权重相同的问题,研究了多特征加权级联分类器。采用AdaBoost分类算法,分别训练Gabor弱分类器和快速HOG弱分类器,将弱分类加权构建强分类器,通过训练得到多特征加权级联分类器。最后采用两种检测窗口融合算法对分类器产生的重叠窗口进行融合分析。结果表明,采用非极大值抑制算法可以有效筛选重叠窗口,相比于检测窗口面积比较法对行人位置的标记更加精确,有效降低了行人漏检率。通过搭建实验平台、设计实验方案,对本文研究的行人检测算法性能进行了系统的实验验证。结果表明,采用快速HOG特征和Gabor特征构成的多特征级联分类器,对行人检测时具有更高的检测精度和更快的检测速度,且在复杂场景的行人检测中可以有效降低误检、漏检率。