行人检测技术已成为模式识别和计算机视觉领域的研究热点之一。在夜晚情况下，由于光照等条件不理想，可见光摄像机的成像效果较差，影响行人检测的效果。红外摄像机具有良好的夜视能力，对不同的光照环境都有较强的适应能力。因此基于红外成像的行人检测方法成为了一种解决这一问题的有效方案。然而行人兼具刚性和柔性的物体特性，外表易受姿态、视角、遮挡等影响，使得基于红外图像的夜间行人检测依然是一个极具挑战性的研究课题。本文主要针对夜间的车载场景，研究了基于特征提取结合机器学习模型的行人检测相关问题，主要涉及的内容有：特征提取、行人检测算法及检测实时化等。本文主要工作如下：1）针对红外图像中行人检测的特征提取问题，提出了一种更具描述能力的特征描述符DBHOI（Different Bins Histogram of Intensity）。首先，研究了用于表征红外图像中亮度信息的HOI（Histogram of Intensity）描述符及其构造过程，并发现了它未充分利用行人本身及背景亮度分布的缺点。然后，基于上述分析，提出了一种对行人本身亮度信息分布进行编码的DBHOI特征描述符。最后，详细地给出了DBHOI特征构造中涉及的参数优化过程。2）基于红外图像，提出了一种新颖的行人检测训练框架，并利用近似模型加快了检测速度。首先，利用DBHOI和HOG（Histogram of Gradient）描述符构成了一个新颖的积分通道特征，通过该特征可以描述红外图像中行人的亮度和边缘信息。然后，在基于Adaboost的训练框架中，将两层决策树模型作为弱分类器，并利用大规模的数据训练得到一个分类能力较强的级联分类器。最后，为了达到实时性的检测要求，本文又采用了图像金子塔模型与分类器金字塔模型相结合的方法，来近似计算相邻层之间的特征，从而降低检测的总体时间。综上，本文通过对现有研究的分析和总结，对基于红外图像的特征提取、行人检测算法和检测实时化进行了深入研究。实验结果表明，通过本文提出的DBHOI特征以及Adaboost训练框架构成的行人检测系统具有良好的检测效果和鲁棒性。本文的研究有助于促进智能车辆辅助驾驶技术的发展。