人体检测是模式识别与计算机视觉领域中研究的热点,具有较强的理论意义和应用价值,如：机器人视觉、智能视频监控和人体行为分析等。目前,人体检测算法已经取得一定的研究成果,但因为人体的姿态、外观多样性、遮挡及背景复杂等问题,导致传统算法不能很好的平衡实时性、鲁棒性和准确性。本文针对这一问题,设计了一种多特征和级联分类器的快速鲁棒人体检测算法,算法分为假设产生阶段和假设验证阶段。本文的主要工作和创新点如下：1、总结并掌握人体检测步骤,方法,并详细介绍基于特征描述的人体检测算法,分析并比较了各种算法的优缺点。2、假设产生阶段,针对多尺度方向特征对复杂背景的人体边缘轮廓特征描述不足的问题,改进了多尺度方向特征,称为“扩展的多尺度方向特征”,即在原有特征块的基础上增加两个特征块,并将提取人体特征的窗口数由8个减少到2个。再利用Adaboost算法训练粗级分类器,筛选出可能存在人体的区域。3、假设验证阶段,设计了用于描述人体特征的多尺度全局梯度方向直方图特征,并针对其维数大,计算复杂度高等缺点,将“竞争编码”(Winner Take All Hash Code)引入到特征编码中,稀疏化特征向量,去除冗余信息,提高计算速度,再利用交叉核支持向量机(Intersection Kernel Support Vector Machines, IKSVM)机制训练精级分类器,精确定位人体目标。4、在INRIA和TUD-Brussels公共测试集上进行实验,并与国际其他优秀算法对比分析,验证算法的有效性和可扩展性。