随着汽车数量的迅速增长,道路交通事故的频繁发生,如何有效地保护行人的安全,已成为备受关注的研究热点。一个有效的方法就是提前检测汽车前方的行人。行人检测涉及到模式识别、图像处理、计算机视觉、概率统计等多种学科。现有的行人检测算法普遍受到光照,行人姿态,背景等的影响。本文利用Adaboost和Bayes机器学习理论对多视角行人检测进行了研究。Adaboost算法是机器学习理论中的一种重要算法,它的基本思想是利用大量分类能力一般的弱分类器,通过一定的方法叠加起来构成一个分类能力很强的强分类器。Bayes分类器是结合先验概率计算后验概率的一种分类器,是统计机器学习中一个重要的分类器。本文结合两种分类器提出了由粗到精(coarse to fine)结构的分类器。主要工作如下：第一,根据行人背景,把行人分为高对比度和低对比度行人,根据腿部叉开的角度,把高对比度行人分为小角度行人和大角度行人。本文针对每一类模式,分别训练一个级联分类器。这样一定程度上降低了行人模式的复杂性,减小了模式学习的难度。第二,利用Adaboost分类器产生的置信度信息,本文训练了Bayes分类器。Adaboost级联分类器的每一个强分类器独立的对样本检测,之间没有信息的共享。加入Bayes分类器,可以利用所有强分类器的置信度对样本分类。一定程度上减少了信息的浪费,提高了识别精度。第三,在检测系统中,设计了加速处理方法,提高了检测速度。