基于计算机视觉的行人检测，由于其在智能辅助驾驶系统、监控以及高级机器人等方面的广泛应用，成为当前计算机视觉中最为活跃的研究课题之一。当前主流的研究方向是从机器视觉出发，在大量的训练样本中提取特征。然后通过机器学习的方式，把行人检测问题转化为一个模式识别的问题。本文对行人检测的一些关键技术和算法做了较为深入的研究，主要工作如下：首先通过介绍几种经典的行人检测算法，分别对行人检测过程中的特征提取和模式分类两大问题进行了分析。其次针对HOG算法采用网格密集的大小统一的细胞单元提取行人特征，导致大量高维度的冗余特征问题，提出了一种低维度的行人检测算法。首先通过FAST角点检测算法获取目标轮廓信息，然后以角点为参考点取16*16像素区域内的梯度方向直方图作为行人特征，最后通过建立空间金字塔模型对图像进行分块，按块提取维数统一的特征向量并串联起来形成最终的特征向量。实验结果表明，该算法取得了较好的检测效果，并且极大地降低了特征维数。最后详细阐述了决策树和随机森林的相关概念和算法，并把随机森林分类器应用到行人检测领域。在保证检测率的同时进一步加快分类速度。