视频监控系统以其独特的优势在军事和民用领域得到了广泛的应用，行人是视频监控系统重点关注的对象，本文对基于集成学习的行人检测问题进行了较为深入的研究。主要工作如下： 1．从样本集归一化和样本权重更新两个角度分析了各种权重更新方法对分类器性能的影响，提出了一种扩展的样本权重更新方法，在保证样本整体错分率的情况下，能降低正样本的错分率。在此基础上，又提出了一种阈值自适应的权重更新方法，能根据实际需要调整正样本或负样本错分率于预期的阈值之内。 2．提出了两类新特征：一类是符合低分辨率下行人姿态的三角特征：另一类是增加特征描述完备性的复合特征。采用递归思想给出了三角特征的计算方法，同时又给出了一种新的计算矩形特征的方法。实验结果表明：三角特征、复合特征或改变计算方法后的矩形特征，可以明显减少强分类器所需的特征数目，大大提高检测率，从而优化强分类器结构，提高分类器性能。 3．构建了一个实验视频数据库。该库由多个真实场景下拍摄的80余段视频组成，包括典型场景下的雨天、阴影、多纹理等多种情况，可为背景建模、目标检测、跟踪、轨迹聚类与分析等算法的验证提供有效的实验数据，为进一步的研究工作奠定了良好的基础。 4．实现了一个可以在线更新的行人检测系统。该系统对误检率较高的场景单独进行在线训练，得到适合此场景的强分类器，从而实时更新分类器。其中强分类器训练过程中采用阈值自适应算法和三类新特征(三角特征、复合特征或改变计算方法后的矩形特征)，可大大提高了算法的检测率。实验结果表明，系统在阴影、雨天、水影、多目标等复杂场景情况下均表现出较好的检测性能。