在人机共融环境中,为了避免与行人发生碰撞,自动导引运输车（AGV）的避障系统需准确获取行人的位置与运动轨迹。在复杂工况环境中,基于视觉的行人检测方法易受背景干扰造成误检,结合场景中物体的三维坐标信息,去除大量背景信息,克服了由复杂背景干扰造成的误检问题。跟踪行人目标时,结合尺度估计方法、遮挡判断方法和Kalman滤波算法,克服了由于尺度变化和遮挡引起的行人丢失问题。论文主要工作如下:提出了一种基于视差图分割和特征优化的行人检测算法,改善了传统行人检测算法误检率高、运算时间长的问题。算法首先在视差图上采用基于干扰区域去除的分割方法获得感兴趣区域,缩小了待检测区域,规避了检测距离范围之外的错误信息;然后,使用主成分分析（PCA）算法对感兴趣区域中获得的方向梯度直方图（HOG）特征向量进行降维,避免了HOG特征中冗余信息对支持向量机（SVM）性能造成干扰,加快了SVM的分类速度;最后,将HOG-PCA特征与区域约束的HSV颜色空间特征串联融合,提高了特征对行人的表征能力。在自建的INRIA-STEREO数据集上的实验结果表明,相比传统HOG+SVM算法,本文算法的检测效率和检测准确度明显提升,精确率和召回率分别为98.76%和98.89%,有效克服了由远距离复杂背景干扰造成的误检问题,也在一定程度上改善了由行人姿态多变引起的检测效果弱的问题。给出了一种尺度自适应且抗遮挡的核相关滤波（KCF）算法,克服了KCF算法在行人发生尺度变化或被遮挡时无法准确跟踪行人的问题。在算法中,使用三个尺度因子对行人的尺度进行估计,实现了尺度自适应功能;采用基于F-APCE的遮挡判断方法检测行人的受遮挡程度,行人被部分遮挡时,不更新模型,行人被严重遮挡时,采用Kalman滤波对行人位置进行预测。在OTB100数据集上的实验结果表明,相对KCF算法,改进算法的精度和成功率分别提高了6.75%和15.88%,在尺度变化及遮挡场景中仍能准确地跟踪行人。