随着城市化的快速发展，城市的交通压力迅速增加，交通事故频发，因此研发智能交通系统已经受到越来越多的关注。智能交通系统是一个庞大的系统，其中基于机器视觉的行人检测和跟踪是非常重要的内容，可以应用在智能车辆的辅助驾驶系统中，有利于减少交通事故的发生和人员伤亡，也可应用于交通智能监控系统中的行人流量统计和异常行为分析。因此对交通中的行人进行检测和跟踪具有非常重要的实际意义。本文首先对现有的行人检测和跟踪算法进行了详细研究和对比，分析了它们的优缺点。为了描述人体外貌和轮廓的多样性，解决人体运动方式的随意性，本文将梯度方向直方图（HOG）特征与支持向量机（SVM）相结合，完成了行人的检测，能够较好地区分未被遮挡的行人与其他目标或背景。由于梯度方向直方图的计算过程比较耗时，文中利用积分图方法快速计算梯度方向直方图，提高了行人检测速度。为了更好地描述行人，文中将局部二元模式（LBP）和HOG相结合，即将纹理特征与局部边缘或形状特征相结合，共同作为行人检测的特征，显著地提高了行人检测率。由于交通中的车辆、建筑物等经常会遮挡行人，本文基于法国国家信息与自动化研究所行人数据库（INRIA）和自己拍摄的交通行人图片，利用支持向量机训练了行人全身分类器和半身分类器，检测时两个分类器协同作用，显著提升遮挡情况下的检测效果。在行人跟踪方面，将行人的颜色特征和梯度方向直方图特征相融合，利用粒子滤波方法完成了行人的跟踪。当视频中出现新的行人时，为了将新出现的行人加入跟踪行列，周期性的对图像进行检测，不断更新行人情况，增强了跟踪的鲁棒性。实验结果表明了该方法可以克服利用单一颜色特征进行跟踪的缺陷，减少由于颜色变化或者与背景色相近时造成的跟踪丢失现象，提高了跟踪的鲁棒性和精度。