行人检测技术已经成为视觉跟踪技术的重要组成部分，其应用的范围极其广泛。本论文在现有分类方法的基础上结合协同训练框架进行行人检测方面的研究。协同训练的方法在一定程度上减少了训练样本不足带来的影响。应用Tri-training的方法对Co-training做了进一步的扩展。经过试验分析，Co-training和Tri-training框架具有很强的适应性，同时行人检测的分类能力也有了很大的提升。　　本论文的系统实现主要分为如下几部分:　　第一部分:分类器核函数寻优。分别用HOG、Haar和LBP特征对不同核函数的SVM进行分类实验，通过分类正确率和运行时间参数选取最优的核函数。　　第二部分:特征优化。以HOG、Haar和LBP特征作为最底层特征，运用贝叶斯原理对各类特征的每一维特征进行分类。再根据建立的评价函数对每维特征进行评价函数统计，并选取分类能力相对较强的M个维特征量组成优化后的分类特征（PHOG、PHaar和PLBP特征）。　　第三部分:构建Co-training框架。分别运用PHOG和PHaar特征结合最优核函数的分类器构建协同训练框架进行行人检测训练。在协同训练框架中采用有选择和无选择的两种样本更新方式进行对比试验。同时还将Co-training和单独的弱分类进行性能比较。通过试验分析得出协同训练比单个分类器的分类性能要强的多，并且样本无选择的方式更能提高协同训练的分类能力。　　第四部分:构建Tri-training框架。在Co-training框架的基础上再加入PLBP特征作为第三个分类视角。在框架中同样分别进行了样本有选择和无选择的方式进行样本更新并进行实验对比。通过具体的实验分析得出Tri-training采用样本无选择的方式效果最好。　　本论文实现了基于Co-training框架和Tri-training框架的行人检测系统。通过实验显示出两个框架下的行人检测分类能力有较大的提高。