行人检测是智能监控系统、智能交通系统、智能车载系统等实际应用的核心。基于迁移学习的行人检测方法的研究,目标在于利用迁移学习提升分类器的检测性能。本文把基于迁移学习的行人检测方法的研究分成样本选择策略研究和样本筛选算法研究,提出了一个基于迁移学习的行人检测模型。样本选择策略主要研究从训练样本集中选择的用于训练分类器的样本的策略,以提升训练所得的分类器的性能；样本筛选算法主要研究从检测结果中获取目标领域中的样本的方法,从而可以不断的从检测结果中获取新的正确的目标领域中的样本。本文研究了基于确定正负样本的样本选择策略研究。主要研究了基于直接添加样本的样本选择策略和基于原始分类器样本筛选的样本选择策略,得出了对于Caltech行人数据库的迁移学习,使用基于样本筛选的样本选择策略在Caltech行人数据库分组得当的情况下是一种比较可行的策略。本文研究了迁移学习下基于行人尺寸模型的样本筛选算法。本文根据摄像头成像特点,提出了行人尺寸模型,以适应车载摄像头近大远小这一特点的样本筛选的需要,并且针对Caltech行人数据库中具体的行人样本,验证了本文所提出的行人尺寸模型的正确性。本文最后还研究了迁移学习下基于运动检测的样本筛选算法,根据车载摄像头的成像特点,提出了光流众数法。并且对Caltech行人数据库中具体的连续帧进行了分析,证明了光流众数法能够使用于迁移学习在车载摄像头下的特定场景中的样本筛选。