随着模式识别和人工智能技术的不断发展，人体检测已经成为一个重点研究课题，在人机交互和智能视频监控等领域具有较为广泛的应用前景。同时人体检测作为人体动作识别、运动分析和人体运动跟踪等相关领域研究的首要步骤，近年来在学术界倍受关注。然而，由于人体为非刚性，而且人体姿态各异、衣着的影响、背景复杂嘈杂、光照条件、自遮挡和互遮挡等因素的影响，给人体检测这个研究课题增加了很多难点以及挑战。本文将工作重心放在寻找低维高效的图像特征表示方法上，为提高人体检测效率上，做了大量的学习和研究工作，主要涉及到了基于统计学习的方法、全局特征、局部特征、词袋模型以及非负矩阵分解等方法。主要涉及到了如下几点工作：1)研究了一种基于最大几何流向直方图（DGH）的人体检测方法，该方法利用图像几何纹理特征的稳定性，通过第二代Bandelet变换，按一定大小的区域来划分图像，通过统计区域内各个方向强度的分布直方图来构造统计特征；然后利用线性SVM分类器对得到的统计特征进行分类训练；最后用训练好的分类器对待检测的图像进行判断并输出最终的检测结果。2)研究了一种基于快速鲁棒性的匹配核人体检测方法。采用机器学习的人体检测框架，首先提取样本图像的SURF描述子的特征点，然后利用带约束的奇异值分解（CKSVD）进行核空间基向量学习将高维特征进行低维映射；然后将得到的特征输入到线性SVM中进行分类训练；最后对训练好的分类器进行分类性能判定和人体检测测试。3)研究了一种基于正交的非负矩阵分解进行特征表示，并用于人体检测的方法。首先将提取到的SIFT特征集，利用不同的思路方法对特征集进行正交非负矩阵分解转换到基表示的空间，使高维的特征集维数降低，有效的减小了数据的计算量；同样利用线性SVM进行分类训练，最终对待测图像进行判定。