伴随着计算机视觉、人工智能等相关技术的发展,以及智能汽车、智能监控和安全领域的迫切需求,行人检测技术,受到了越来越多的关注,已经成为研究的热点,并广泛的应用于智能监控、智能交通和机器人等领域。当前行人检测的主流方向是从样本中,提取行人特征,机器学习得到分类模型,将行人检测问题转化为分类判断问题。针对基于分类的行人检测,本文从特征的选择和分类器训练算法的选择两个方面,对行人检测算法进行了分析研究。主要工作内容如下：(1)介绍了行人检测的整体流程,针对行人检测中的关键技术,分析研究了分类器算法中的SVM算法和AdaBoost算法,利用并查集解决行人检测窗口融合的问题。确定使用INRIA行人库作为分类器的训练库和测试库,并利用基于传统的混淆矩阵和DET曲线来评价算法的性能。(2)基于SVM运用HOG特征和LBP特征分别实现了行人检测,实验结果表明,HOG特征具有优秀的行人表征能力,但在复杂背景下,梯度信息不能更好的区分行人与背景,LBP特征作为一种局部纹理信息,可良好的弥补HOG特征在这一点的不足。针对SVM数据失衡问题,进行了相关讨论和实验分析对比,确定了最佳正负样本比。(3)针对HOG单一特征在行人检测中的不足,对HOG和LBP进行了特征组合分析,实现了基于SVM的HOG-LBP联合特征的行人检测算法。通过与单特征行人检测算法进行了对比,表明联合特征具有更强的行人表征能力。由于联合特征维数增加,导致SVM行人检测效率降低,在分类器的选择上,本文使用级联AdaBoost算法,减小算法时间复杂度。实验结果表明,基于简单二值分类器的级联AdaBoost算法,大大的提高了行人检测速度。