行人检测是计算机视觉领域一个经典的研究课题。同时,它也是车辆辅助驾驶、智能视频监控等计算机视觉应用的关键技术,具有很高的应用价值。行人检测方法主要分为基于背景建模的行人检测和基于前景建模的行人检测方法两大类。前者是对图像中不运动的背景进行建模,将变化的前景区域从背景图像中提取出来。后者通过对前景进行建模,从训练样本中学习行人特征表示,建立行人模型,一般利用滑窗扫描的策略,从图像中穷举所有行人出现的位置。由于基于背景建模的行人检测方法存在一个隐含的前提条件,即背景变化很小,存在较大运动的区域才能被认为是前景,因此,基于背景建模的行人检测方法在目标静止,或者摄像机运动时往往失效,目前对于行人检测的研究热点大多集中在基于前景建模的方法上。事实上,由于行人外观、光照以及背景变化等因素的多样性,使用单一固定的前景模板很难有效的完成长时间、高精度的行人检测任务。针对上述问题,本文重点研究了基于特征融合与在线学习的行人检测算法。本文的研究内容具体如下:(1)在特征提取方面,本文采用混合不同特征的策略,采用积分通道特征的方式将多种特征引入行人检测方法中,在分析和测试多种单一特征的基础上,将多个特征有机的结合到一起。本文第二章详细介绍了各个特征性能测试实验,并确定了最适合检测行人的特征组合。(2)在学习算法上,本文选择online Adaboost算法作为在线特征学习方法。和传统离线行人学习算法不同的是,其可以根据已有的检测结果不断学习场景中的行人特征,使得行人检测算法具备很强的自适应和自学习能力。(3)针对在线学习中样本类别自动标注的难点,本文使用协同训练算法对每帧得到的检测结果进行自动标注,同时针对Tri-training算法训练出来的分类器独立性低的问题,提出了基于Tri-training框架下的改进算法,使用PCA划分样本集使其满足两个充分冗余视图条件,构造差异性足够的三个数据集,训练出优秀且更加独立的分类器。通过使用Tri-training协同训练策略,有效利用了无标注样本,实现了半监督学习,大量的实验结果表明了该方法的有效性。最后,本文对所做的工作进行了归纳总结,并且针对本文的不足之处,分析和讨论了进一步的研究计划。