人体检测是人体运动视觉分析的重要组成部分，是近年来计算机视觉领域备受关注的前沿方向和研究热点。它在智能监控、驾驶员辅助系统、运动分析、高级人机接口具有广泛的应用前景。基于模式分类的人体检测利用统计学习的方法从样本中自动学习人体模型的知识，把人体检测看作一个模式分类的问题。本文以Viola提出的结合人体外形信息和运动信息的方法为基础，分别从四个方面进行改进：进一步丰富特征集，加入了45°倾斜的矩形特征和边缘方向直方图(Edge Orientation Histogram)特征；用Gentle AdaBoost方法替代了Discrete AdaBoost方法，使训练算法更加稳定，性能得到提高；引入了代价函数使级联分类器的训练从原来的手定训练目标成为自动训练；增加了归并包围盒的后处理算法和连续性分析，进一步提高算法的检测率和降低误报率。通过这些改进，经实验证明我们的方法在误报率为1/400000下，检测率可以达到90％以上，并且运行时间为217ms。另外，本文的另一个贡献是提出了一种新的基于特征点的立体匹配方法。该方法独立于特征点的检测算法，以扫描线作为匹配单元，以鲁棒函数为匹配代价函数，最后用顺序约束对每一匹配单元的视差图进行检测与校正。实验证明，该方法的匹配精度高于传统的基于NCC(normalized cross-correlation)的立体匹配算法，并且运行时间快，可以应用于基于特征点的立体视觉系统中，同时也可以应用于基于双目的人体检测系统中。