行人检测是目前计算机视觉领域的研究热点之一，它在智能机器人、智能交通、人体姿态估计等多个方面有着广泛应用前景，随着科学技术的发展，近年来也应用在航拍图像和受害者营救等新兴领域中。行人检测处于智能系统的底层，是后续高级处理的基础，如目标分割、姿态估计等。由于拍摄场景的复杂性、拍摄视角与尺度的变换以及行人的着装与身材的大小等因素，使得行人检测具有极大的挑战性。随着研究的不断深入，研究人员提出了各种行人检测方法，包括韦伯局部描述子（Weber Local Descriptor, WLD）局部二元模式特征（Local Binary Pattern,LBP）、基于梯度方向直方图（Histogram of Oriented Gradient）检测子、类似形状检测子、基于部件的检测方法、多特征融合的行人检测方法等。上述方法都是基于统计分类的方法进行检测，这类方法主要由两个部分组成：提取特征和分类器设计。特征提取的目的是降低数据的维数，得到能反映行人特征的特征向量；分类器设计属于机器学习领域的范畴，其目的是得到分类效果好、计算速度快、泛化能力强的分类器。本文对行人检测技术的研究现状进行总结与分析，在此基础上，对特征描述、分类器训练性能的改善方面进行了研究。论文的主要贡献如下：1.改进的WLD与LBP特征融合的行人检测传统的WLD特征提取方法，随着分块数和方向划分增加，提取速度成倍减慢，针对这一现象，本文提出了改进的WLD特征提取方法，改进后的方法，在特征的维数上并没有改变，但是特征提取速度却提升4.5倍。针对单一特征对图像纹理特征或者空间特征表现的局限性以及对光照和其它噪声影响鲁棒性不足的缺点，本文首次提出了改进的WLD特征与LBP特征融合的行人检测方法。该算法提取得到的WLD-LBP特征既具有LBP特征计算速度的优点，又有WLD特征对光照等噪声具有很好的鲁棒性的优点，从而更加全面的描述了图像的纹理信息。在此基础上，借助SVM（Support Vector Machine）分类器实现了WLD与LBP特征融合的行人检测。基于SVM分类器的行人检测实验表明：WLD-LBP特征在行人检测性能上优于单独的WLD特征、单独的LBP特征和HOG特征的目标描述。2.基于多分辨率的WLD特征的行人检测针对WLD特征对目标形状描述的不足，本文在改进的WLD特征的基础上，提出了多分辨率的WLD特征。首先对目标图像进行多级空间划分，实现从平面到空间、由粗到细的多尺度目标特征提取，从而更加全面描述目标形状信息：在此基础上，同样借助SVM分类器实现了多分辨率的WLD特征的行人检测。检测结果显示其性能也都优越于原来的WLD特征和HOG特征的目标描述。