近年来自动无人驾驶汽车,机器人智能感知,安防监控等领域的不断发展,使得人体目标识别技术已成为了研究热点并作为其重要的技术基础。然而在识别过程中,由于人体目标的非刚性和周围环境的干扰对图像目标产生噪声,遮挡等问题,使得人体目标识别在准确率,误检率和漏检率上存在问题。为此,本文基于特征融合的方法,在人体目标识别过程中,对于目标特征信息描述单一,遮挡目标无法识别,分类器性能较差等问题进行深入研究,旨在取得更好的识别效果。具体工作如下:1、设计了一种多特征自适应加权融合方法。对传统方向梯度直方图(Histogram of Oriented Gradient,HOG)特征忽视背景与目标信息之间差异性问题进行改进,通过改变细胞单元中梯度值的方差,使得目标与背景的差异增强,并且通过主成成分分析(Principal Component Analysis,PCA)的方法,对特征信息进行降维处理;同时对原始局部二值模式(Local Binary Pattern,LBP)进行改进,改变采样方式且将中心像素点与周围像素点差值的均值来取代最初的阈值。最后通过自适应加权的方式将两种改进后的特征进行串行组合,并且通过实验证明融合后的特征具有良好的目标描述能力。2、设计了一种基于特征融合的加权可变形部件模型(Deformable Part Models,DPM)人体识别算法。对DPM的组成与响应得分计算方式进行分析,设计出加权部件模型,通过对各部件模型赋予不同的权重来解决目标重叠遮挡的问题;同时针对传统DPM中因采用单一的HOG特征而存在对目标信息描述不充分的问题,本文设计采用第二章特征融合方式取代原始的单一HOG特征,从而提高对人体目标的有效描述。3、设计了一种基于支持向量机(Support Vector Machine,SVM)参数优化的人体识别算法。设计一种线性组合的核函数取代传统SVM分类器中单一的核函数,对于样本数据中出现的离群点,通过引入松弛变量设置惩罚因子的方式进行消除。对改进的SVM在设计过程中所产生的五个参数进行合理的优化,采用粒子群与K重交叉验证相结合的方法进行优化,将优化后的SVM分类器与特征融合相结合,对人体目标进行识别,实验表明,优化后的SVM分类器可以对复杂环境中的人体目标进行很好的识别。