视频人体检测是人体行为识别,姿态处理等关键技术的基础,它担负着确认视频中是否存在人体目标以及人体目标精确位置的使命。针对视频人体检测问题,本文主要完成两方面的工作：首先对基于统计学习和瀑布式分类器框架下的视频人体检测算法及训练特征进行优化改进,其次针对视频人体检测特点,对Fast RCNN网络结构进行调整,提出一种多尺度Fast RCNN网络结构满足视频人体检测需求。基于统计学习和瀑布式分类器检测框架下的人体检测算法优化首先使用正样本自举,对大规模数据集进行下采样,以小数据集代替大数据集进行分类器训练。使原始瀑布式分类器框架可以对大规模数据集进行有效处理,解决了基于统计学习的人体检测算法对样本过度依赖,但又难以高效处理大规模样本的问题。使用负样本继承算法,缩小负样本自举范围,压缩负样本自举时间,提升整体训练效率。其次,使用Uniform LBP特征训练预筛选分类器对候选检测目标进行预筛选,通过缩小候选目标范围提升检测速度,消除COHOG特征计算复杂度过高影响检测速度问题。最后将检测与跟踪结合,减少人体目标漏检,提升检测精度。基于多尺度Fast RCNN网络结构的视频人体检测算法主要针对视频人体尺度变化大,使用Fast RCNN网络结构难以平衡各个尺度下的人体目标检测问题,对网络结构进行了调整。训练得到一个带有分支的网络结构,不同的分支检测相应尺度下的人体目标,最终将两个分支检测的结果进行加权融合获得最终的人体检测结果。本文使用标准测试数据库对两种算法进行了性能验证,实验结果显示,两种检测算法都取得了很好的检测效果。