近年来,随着机动车保有量的不断攀升,道路交通安全状况日益恶化,严重影响了经济的发展和人民的健康。尤其在中国这样典型的混合交通系统中,行人在交通事故中受到的伤害也远大于其他国家。因此,车辆辅助驾驶系统作为减少交通事故发生的有效手段,已经得到了广泛的重视。而基于计算机视觉的车辆前方行人检测则是该领域内最为关键的课题之一,其核心是利用安装在运动车辆上的摄像机获取前方环境信息,然后快速准确地检测出视频中的行人,协助驾驶者及时对外界环境做出反应,避免碰撞行人。由于行人服饰姿势的多变性、车载系统下背景的复杂性,使得在城市道路交通环境下进行行人检测成为一个极具挑战的课题。目前行人检测的方法多样,但是其本质都是利用行人与众不同的特征将其从背景中分割出来,将检测转换为模式识别的问题,利用机器学习进行分类。基于此思想,本论文首先研究了单目摄像机下行人检测的两个关键问题,包括特征描述算子和分类器训练算法；然后针对城市道路交通这一特定环境,制定了独特的检测策略,具体如下：在特征提取方面,本文在HOG的基础上,提出了一种融合特征,以此来逼近HOG,从而加速特征的提取。该融合特征采用了6个量化的梯度方向通道,1个梯度幅值通道,3个LUV颜色通道,获得较好的行人检测性能。在分类器的选择上,本文采用Viola等在人脸识别中提出的级联AdaBoost分类器训练框架,对上述特征进行训练。该法能有效防止部分融合特征可能会产生的抵触情况；同时也大大提高检测速度。最后,针对城市环境下正常行驶的车辆所拍摄视频的特点,本文设计了两个分类器在重点区域对不同尺寸下的行人进行检测。实验结果表明,本文的积分通道特征在误报率为104时能达到91.3%的检测率；同时本文的行人检测策略也能够实现对车辆前方不同尺寸的行人进行有效地识别。