行人检测是计算机视觉领域的重点研究课题,在智能交通和自动驾驶领域有着广泛的应用。近年来,基于多光谱图像的行人检测方法由于结合了可见光图像和红外图像的信息,在全时段的检测环境中具有明显优势,已成为当前的研究热点。但由于交通道路场景的复杂多变,多光谱行人检测算法仍会受到光照和温度等环境条件变化的影响,要满足自动驾驶实际应用的准确率需求仍存在一定困难。本文针对多光谱行人特征的表达方式和融合方法进行研究,主要的研究内容如下。（1）针对多光谱聚合通道特征对红外行人目标信息刻画不足和在昼夜不同环境条件下对目标的表征能力不一致的问题,提出了一种具有熵加权强度差异直方图特征的的昼夜分时多光谱聚合通道特征行人检测算法。以多光谱聚合通道特征算法为基本框架,提取特征时着重分析红外图像描述行人目标的优势,利用邻域像素强度差异估计和区域信息熵分析来改进原有的梯度直方图特征,构建新的熵加权强度差异直方图特征。由于受到环境条件变换的影响,多光谱特征在昼夜不同时段存在差异,算法利用自适应增强分类器对数据集中白天和夜晚图像分别进行训练,得到日用和夜用分类器。在检测阶段,利用图像的HSV空间直方图信息进行昼夜判别,实现对输入图像的分时段检测。仿真实验结果表明,所提方法在全时段的测试场景中的对数平均漏检率较原多光谱聚合通道特征算法下降5.93%,提升了行人检测器的性能。（2）针对传统多光谱行人检测网络在全时段交通场景中表现较差的问题,提出了一种具有注意力机制的渐进定位拟合网络多光谱行人检测算法。该算法在渐进定位拟合网络检测框架下,使用Res Net50附加一个卷积模块的双路主干网络提取行人目标的可见光与红外多尺度特征,结合通道和空间两种注意力机制对特征进行优化,并使用K均值聚类方法确定的默认候选框的尺寸以获取行人先验信息。另外,算法研究了检测网络可见光与红外特征层的最佳融合时机,以及注意力机制模块在网络中不同的作用位置对检测效果的影响。仿真实验结果表明,算法在全时段测试场景中的对数平均漏检率为11.87%,对于复杂交通环境中的行人目标具有良好的检测效果。（3）在渐进定位拟合网络多光谱行人检测框架的基础上,研究了可见光与红外特征的融合方式。基于可见光与红外特征对于全时段交通环境下光照变化敏感度的不同,提出了利用光照加权自适应融合特征的方法,使得检测框架能够提升对环境光照变化的适应能力;基于可见光特征信息与红外特征信息之间存在互补关系,提出了特征信息控制融合的方法,使得可见光与红外特征能够利用自身的特定信息作为权值进行加权融合以提升融合特征对行人目标的表征能力。仿真实验结果表明,利用光照加权自适应融合特征的算法使得原算法的对数平均漏检率在全时段测试场景下降2.01%,利用特征信息控制融合的方法使得原算法的对数平均漏检率在全时段测试场景下降3.28%。