行人检测技术对视频监控、车辆辅助驾驶、智能机器人等多种应用提供了重要的技术支持,是计算机视觉领域中非常重要的一个分支。现实生活中,行人在衣服穿着上的多变性、形体姿势变化的多样性、所在环境的复杂性以及光照强弱的不同、行人之间存在相互遮挡等,使得行人检测存在着诸多需要解决的问题。如何选取一个不被外界多样因素影响的特征,以及训练出一个分辨能力和鲁棒性都较强的分类器是行人检测领域的研究重点和难点。传统行人检测技术有着检测时间长、准确率低等缺点,对后续的判断、跟踪等有较大影响,本文从提升检测性能思路出发,提出一种基于SVM的多特征融合行人检测方法。对行人检测所用算法进行改进,对经典的HOG+SVM检测算法完成检测系统,测试性能并收集数据,为后续算法改善提供理论基础与对比数据。针对Haar特征检测速度快、检测率高但是误检率较高的问题,为提高检测准确性,提出双重检测方法,即先使用头肩模型进行检测,将一级检测标记出的感兴趣区域再进行二级检测,以此来增加检测的准确率。针对二级检测中特征融合导致维度过高、计算量大的问题,本文在特征融合前使用主成分分析法进行降维处理,将原本的数据降低维度,使得数据之间的方差最大,减少计算量,增强了检测的时效性。实验对比表明,二级检测结构的方法拥有Haar特征在检测速度上的优越性,同时也有着基于特征融合算法在准确性上的优势;同时通过二级检测能有效的解决一级检测错在的误差过大问题。本文所构造的二级检测算法能达到实时性要求,相对一级检测误差率降低了10%左右。