频繁发生的交通事故给人们的生命安全造成了严重的危害,道路交通安全问题受到了广泛关注。汽车主动防碰撞等智能辅助驾驶技术可一定程度地避免交通事故的发生,尤其是近几年来成为了热门研究方向。行人作为交通环境中的弱势群体和有生命的特殊个体,保护行人安全具有重大意义。行人检测技术通过摄像头采集道路环境信息,对行人进行检测,进而可以保护行人。因此,基于摄像头的行人检测技术的研究具有重大的实用价值,在汽车智能辅助驾驶技术及未来无人驾驶的实现中将是一项关键技术。由于行人目标的多样化,并且道路环境复杂多变使得基于车载摄像头的行人检测技术的研究也是一个具有挑战性的课题。本文总结了行人检测技术的国内外研究现状,并对相关技术进行了研究总结。关于车载摄像头的行人检测问题,检测精度和检测速度是非常重要的评价指标,ACF算法在行人检测问题上取得了非常高的检测精度同时达到了实时的检测速度,但是ACF算法仍然存在漏检尤其是小目标的漏检问题以及较多的误检。本文以进一步提升行人检测算法的检测精度和检测速度进而满足实际应用的需求为研究目标,基于ACF算法展开研究。主要研究内容如下:(1)通过了解行人检测技术国内外研究现状和行人检测技术的难点,对现有技术进行研究总结。从行人候选区域搜索、特征提取和常用分类器等方面对行人检测的关键技术知识进行了学习研究。(2)对ACF算法进行了全面的研究分析,考虑ACF算法存在的不足,本文提出了逐阶段增强的软级联Adaboost分类器,并且从提升检测速度的角度对非极大值抑制算法提出了改进方法。基于Caltech训练集构建训练集,对所提出的改进的分类器进行离线训练,并分别在Inria数据集、Caltech数据集和自行采集的视频集上进行对比实验,实验结果表明本文所提出的改进算法具有较少的误检和漏检,实时性较好,对远处小目标的检测效果也较好。(3)考虑ACF算法的优点和卷积神经网络在图像分类与目标检测领域表现出的优越性,本文提出了基于软级联Adaboost分类器串联卷积神经网络的行人检测框架。对卷积神经网络等相关理论知识进行学习研究,基于INRIA数据集和Clatech数据集构建训练和测试集合,从网络深度、卷积核大小以及最后用于分类的特征维数三个方面,对用于行人检测的卷积神经网络结构进行了设计、训练、测试和分析,选择出较为优秀的网络结构,与软级联Adaboost分类器串联,构建基于软级联Adaboost分类器串联卷积神经的行人检测框架,并分别在Inria数据集、Caltech数据集和自行采集的视频集上进行对比实验,实验结果表明本文所提出的改进算法实时性较好,具有较少的误检和部分漏检,并且具有进一步优化的空间和意义。