性别识别技术在安全监控、身份认证、视频检索、机器人视觉以及人机接口等多个领域得到了广泛的应用,然而,让计算机拥有和人类同样的能力仍然是一个富有挑战性的研究课题。性别识别系统主要包括图像数据预处理、特征提取以及训练分类器三个部分。图像在采集过程中由于受到环境(特别是光照和背景)、佩戴饰物、身体姿态的影响均含有不同程度的噪声,因此在使用之前需要对图像进行预处理,通过降低图像本身因素的影响来提高系统的精度。性别识别技术中常用的特征主要包括HOG特征、Haar-Like特征以及纹理特征等,本文在综合比较多种特征的基础之上提出了多尺度纹理特征,最终构造的多尺度纹理特征集不仅包含对象频域特征而且还包含不同尺度上的空间相关特征,比单一特征包含更丰富的数据信息。机器学习算法在模式识别领域中以其高效率、高精度的特点得到了广泛的应用,常用的机器学习算法有AdaBoost算法以及SVM算法等,本文中主要采用AdaBoost算法作为分类器,目前常用的AdaBoost算法及其改进之后的算法都存在一个过早停止迭代的问题,这样会直接降低最终训练得到的强分类器的性能,因此,在本文中为了解决这个问题,采用对训练样本集进行动态扩容的办法,也就是采用动态裁剪系数来保证算法在后续迭代过程中有足够多的有效的训练样本,这样可以通过增加训练得到的弱分类器的数目来提高最终强分类器的性能。最后在MIT行人数据库的基础上进行了多组对比实验并在IOS系统上对本文算法进行模拟,实验数据表明：本文的多尺度纹理特征计算简便,在表达纹理信息方面有很明显的优势；本文中改进的AdaBoost分类算法有很高的分类精度以及很好的噪声鲁棒性,通过动态扩容的方法能够明显提高分类器的性能；与其他性别识别算法相比,本文算法有更好的性能,在移动计算领域有较好的应用前景。