车辆日益增多导致交通事故频频发生,行人安全已经成为一个全球范围内的重要课题,如何提高驾驶的安全性,减少交通事故的发生便成为了智能辅助驾驶系统的研究目的之一,行人检测技术在其中起到重要的作用。本文主要研究了一些常用的人体特征,包括Haar-Like特征、HOG特征和SIFT特征,最新提出的TED特征,从它们的概念、特征的提取方法及其应用等内容做了详细的介绍,并且对各人体特征做了相关的实验。其次,本文详细介绍了一些常用的行人检测分类算法：支持向量机和神经网络等分类算法,学习了它们的最新研究进展状况,并且对它们在行人检测中的应用方法做了相关的实验。针对单特征辨识度较低和人体尺度多样性问题,本文提出一种多特征融合的行人检测方法。该方法融合HOG特征和SIFT-PCA特征。其中SIFT-PCA特征提取方法利用主成分分析(PCA)算法将SIFT特征点向量投影到另一个空间,得到最具有代表性的特征参数,从而实现了很好的降维的作用。融合后的新特征能够更精准地描述人体信息,使得算法具有较好的鲁棒性。实验结果表明,结合AdaBoost分类算法,本文提出的基于多特征融合的行人检测算法提高了行人检测精度、降低了误检率,从而使得人体识别的正确率明显提高,并且在多变的自然场景下可以取得较好的效果。