正是由于计算机技术的快速发展,计算能力得到很大程度的提高,才使得利用计算机实现人类的视觉功能成为目前计算机领域中最热门的研究课题之一。行人检测与跟踪技术作为计算机视觉领域的一个研究热点和前言方向,在智能交通、人数统计、公共安全和智能监控等许多方面都有其重要的应用价值和实际意义,同时,由于行人姿态各异和环境复杂等因素,给行人检测与跟踪技术研究带来很多难点问题,如行人遮挡和跟踪的稳定性等,因此,有待进一步研究,为各个领域提供必要的技术支持。本论文围绕这些难点展开研究,旨在提高行人检测的检测率和行人跟踪的稳定性,主要研究内容可以概括如下：1、总结了目前被广泛应用于行人检测与跟踪领域的图像特征,如HOG、Haar、 Edgelet和颜色特征等,详细描述了特征提取的方法,以及分析它们的优缺点。2、实现了基于混合高斯模型和基于帧间差分的感兴趣区域的提取,先通过这两种方法提取前景区域,再通过连通域处理得到感兴趣区域,还研究了基于单一特征分类的行人检测算法。3、融合感兴趣区域和多特征,改进了传统的基于Haar特征AdaBoost分类的行人检测算法。首先提取感兴趣区域,在感兴趣区域内,采用两层不同特征分类器检测行人,上层利用Haar特征分类器快速对待检测样本进行粗略分类,得到候选行人目标,然后再次采用Edgelet特征分类器,对候选行人目标各个部位进行精细检测,最后对候选行人目标采用贝叶斯决策判断行人,得到最终行人检测结果,最后还对经典算法和本文算法做了比较。4、为了提高行人跟踪的稳定性,本文在传统基于颜色特征的粒子滤波行人跟踪中融入验证环节,初始时运用行人检测算法检测行人目标得到目标模板,进而扩大预测结果范围,再用本文第三章的行人检测算法对预测结果进行验证,得到最终行人的跟踪结果,最后实现本文改进的粒子滤波算法和传统粒子滤波算法并作效果比较。