交通安全问题成为社会热点话题,为解决这一难题,社会各界致力开发各种驾驶员辅助系统来提高驾驶的安全性,行人检测是一项主动安全技术,通过对驾驶环境的分析,对可能发生的交通事故进行预警,主动对汽车进行干预(紧急刹车),能有效的降低交通事故发生的可能性。本文研究了常用的行人特征和分类算法后发现,单一的特征结合单分类器的行人检测算法的性能有限。为研究出实时性高和鲁棒性强的行人检测算法,故本文采用多特征融合和多分类器融合的方法。针对单特征的检测率低的问题,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些积分通道特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快、准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。单核SVM分类性能有限,本文采用多核学习的方法进行行人检测,通过将HIKSVM,高斯核SVM和多项式核SVM进行线性组合合成一个新的核函数,通过这个新的核函数进行分类。实验证明,多核学习算法在检测率上有提升,但是由于计算复杂度较高,导致系统的实时性能差。最后总结了全文的研究工作,指出行人检测所面临的问题和难点,对未来的工作进行了展望。