行人检测旨在定位和识别图像或视频中的行人。行人检测在许多计算机视觉任务中扮演重要角色,如视频监控、智能驾驶等。在过去的十几年中,行人检测取得了巨大的进步。尽管如此,行人检测的性能同人类视觉系统的检测性能还存在较大的差距。因而,行人检测仍然有巨大的提升空间。行人检测的过程主要包括窗口生成、特征提取、窗口分类以及窗口合并等。在这些过程中,特征提取至关重要,它是窗口分类的前提和基础。因此,本论文主要研究鲁棒有效的特征用于行人检测。具体地,本论文分别从行人属性,不同类型特征的互补性,以及高级语义特征等角度出发进行行人检测方法的研究。受行人内在属性（即外观恒常性和形状对称性）启发,本论文提出了两种非相邻特征描述子（称为边缘中部差分特征和对称相似度特征）。与传统的相邻特征相比,这两种非相邻特征能够很好地刻画行人的视觉特性。同时,这两种非相邻特征与相邻特征具有很好的互补性。因而,所提出的非相邻特征和相邻特征可以共同用于行人检测。在相关行人检测数据库上的实验证明了所提出方法的鲁棒有效性。基于手工特征和深度特征的互补性,本论文提出了基于多层通道特征的行人检测方法。该方法将传统手工设计特征通道同深度卷积神经网络的每一层特征通道结合成多层特征图像通道,并学习对应的级联分类器。一方面,该方法利用手工特征和卷积神经网络中不同特性的特征提升了行人检测的性能;另一方面,该方法利用级联结构避免了大量检测窗口计算所有卷积层特征,加快了检测速度。实验结果证明了所提出方法的有效性。从高级语义特征的角度出发,本论文提出了基于高级语义多分支网络的行人检测方法。该方法逐渐将基础网络拆分成多个具有不同分辨率特征图的分支。一方面,由于不同分支的感受野不同,不同分支适合检测不同尺度的行人。另一方面,由于不同分支包含了相同数量的卷积层,不同分支输出的特征图都具有相似的高级语义,能够提供鲁棒的特征进行行人检测。为了减少网络参数,不同分支网络的卷积层可以共享卷积权重参数。实验结果表明,该方法在不增加参数的情况下比其他基于特征金字塔的方法具有更好的检测性能。