近年来,人体目标检测实现了机械装备可视化、智能化以及无人驾驶,同时也是公共安全,军事侦察的重要基础,是计算机视觉领域中的研究热点,得到国内外广泛的重视和研究,但是行人的状态存在所处的环境不同、所穿的衣物款式多样、人体体态的差异、采集信息时人体的姿态以及采集时的相机拍摄角度等不同的情况,这些因素对检测效果的影响比较大,需要检测效率更高鲁棒性更强的检测算法,因此如何能够有效准确的检测行人成为具有挑战性的课题。本文将行人检测问题转化为二分类问题,即只需要区分行人目标和非行人目标。将正样本中能够有效表征行人特征的信息提取出来,并使用机器学习的方法,通过训练大量的正负样本来获得行人分类器,然后使用所得的分类器去进行行人检测。本文在详细分析了行人检测的难点的基础上得出行人检测技术研究中的重点是遮挡问题和复杂的环境。针对这些问题,利用当前在行人检测中被广泛使用的人体特征：Ojala T.等人提出的局部二值模式(Local Binary Pattern,LBP)特征和Dalal等人提出的梯度方向直方图(Histograms of Oriented Gradients, HOG)去解决。其中LBP特征对纹理特征有比较有效的描述但对边缘信息表征不足,HOG特征使得目标形状能够被梯度方向密度分布描述出来,但是忽略了目标的纹理信息。在此基础上,本文基于分块的思想,将HOG和LBP特征进行组合,提出HOG-LBP特征,充分利用了LBP特征对纹理的有效表达和HOG特征对目标形状表达的优势,可对复杂环境有较高的鲁棒性。为了更加有效的解决遮挡问题,结合行人检测数据库的统计数据,提出了部件模型,经过实验验证,部件模型可以有效的解决遮挡问题。由于国际常用行人检测数据库未包含复杂环境下的行人数据,针对遮挡和复杂环境建立了NEU-Person (Northeastern University-Person)行人数据库,其中训练集有正样本613张(包含2362个行人,涉及雨、雪、雾、夜间和迷彩等环境),负样本1325张；测试集有正样本187张(包含713个行人),负样本150张。图库中的行人大部分为站立姿势,大部分行人的高度大于100个象素,图像的来源为个人手持相机在校园内拍摄,很少量图像由于拍摄的问题会比较模糊,绝大多数图片的清晰度较高,均可以正常读取和显示。为了准确快捷的调用NEU-Person行人数据库,编写了相应的软件,用来定位训练集中所要训练的样本位置,并标注出矩形边界,并且这个软件也可用于其它的行人数据库的分析。