行人是视频监控对象的焦点，行人检测与识别也是计算机视觉研究的基础任务和关键技术之一，其广泛应用于智能视频监控、车辆辅助驾驶、人机交互等领域。论文主要针对行人检测与识别时场景复杂、摄像机是否移动、行人姿态多变、行人特征提取与融合、行人分割以及候选行人目标选取等问题进行了研究。其研究内容如下：1)在单视点固定摄像头场景下，针对背景建模耗时、检测场景复杂和背景更新时自适应差等问题，提出了一种基于局部时空域模型的核密度估计行人检测算法。在前期训练学习阶段，采用K均值聚类选择关键帧避免了信息冗余和计算量大问题；在后期背景更新阶段，构建一种局部时空域模型，在时间域通过历史帧信息自适应调整时间域窗口大小，在空间域利用颜色和LBP描述的纹理特征消除部分阴影问题。在复杂场景下的实验表明，该算法在实时性和检测准确率方面都有很大提高。2)在单视点移动摄像头场景下，针对背景差分法中所出现的行人静止检测失败、动态背景检测准确率低和高空视频存在的行人目标较小、行人姿态多变、背景复杂及干扰噪声较大等问题，提出了一种融合目标多特征的行人检测算法。该算法融合了行人目标的HOG、LBP及SIFT特征，并利用主成分分析降低特征空间维数，另外根据每种特征在检测过程中所占比重不同设置了不同的权值，有效解决了背景差分法行人检测的不足，同时对高空拍摄的视频也取得较好效果。3)针对由于高空视频细节模糊、背景杂乱等特点所导致行人分割与识别困难问题，提出了一种基于卡尔曼滤波和显著区域检测的行人识别算法。在分割行人时使用显著区域检测分割算法确定场景显著目标；在后期匹配过程中，先用卡尔曼滤波算法将候选区域标出再进行目标刷选，避免了在监督环境下选取固定数量候选人的问题。通过复杂场景下实验表明，该算法有效提高了自适应性、实时性和识别准确率。