行人检测是车辆辅助驾驶的一部分，在城市交通安全方面具有重要的应用价值，也因此成为计算机视觉和智能车辆领域的研究热点。本文车载红外行人检测系统采用被动式红外相机，它具有夜视功能，能同时应用在白天和晚上，且成像背景简单，不易受光照、纹理、阴影和颜色等信息的干扰。然而由于行人为非刚性物体，且容易受背景中其它热源的干扰，加之红外成像分辨率也较低，使得红外行人检测面临一定的困难和挑战。文中针对红外图像的特点，对红外行人检测算法进行了研究，并对整体车载红外行人检测系统的实现做了大量的研究工作。红外行人检测主要分为感兴趣区域（Region of Interest，ROI）提取和行人识别两方面内容。本文在这方面所做的主要研究工作为：1.感兴趣区域提取部分，首先滤除红外图像中的噪声，然后根据红外图像背景像素分布特点计算双阈值对图像进行自适应阈值分割，最后提取前景区域，采用串联滤波的方法滤除不符合行人特征的区域；2.行人识别部分，采用由粗到细的分层识别的方法，首先根据行人方向不同形状差别较大的特点分别设计了左、右和前后朝向的行人头肩概率模板，用模板匹配的方法对感兴趣区域进行粗分类，然后再提取粗分类识别出来的行人区域的方向梯度直方图(Histogram of Oriented Gradient，HOG)特征,用SVM训练分类器对这些区域做进一步的识别，实现细分类，针对三种朝向的行人分别训练了三个分类器，提高了识别率。为了提高算法的鲁棒性，算法加入了跟踪过程，跟踪采用复杂度较低的区域跟踪的方法，在提高识别效率的基础上减轻了计算量。最后采集了5组红外视频，并建立了两种学习分类算法进行对比实验，实验结果表明，本文学习分类算法具有更好的行人检测效果，将该算法应用在整体识别过程中，使行人识别错误率降到了1%以下。算法最终移植到嵌入式平台DM6437中，处理速度达到了22帧每秒，验证了该算法较强的工程应用价值。