人体检测是目标检测中非常重要的分支，其在智能视频监控、智能驾驶辅助系统、智能人机交互等方面有着巨大的研究价值和应用前景，已经成为计算机视觉领域非常热门的研究方向。由于人体在姿态、外观的多样性以及背景、光照、遮挡等的干扰，人体检测仍然是一项非常具有挑战性的难题。当前主流研究方向是将人体检测转化为模式识别中的二类分类问题，包含训练和检测两部分，通过提取训练样本中能够有效表征人体的特征，利用统计学习的方法，建立人体分类器，进而利用此分类器实现人体检测。本文的人体检测就是基于此框架下实现。本文分析了人体检测的难点及研究现状，详细介绍了目前人体检测领域广泛使用的人体特征集：Harr-like特征、梯度方向直方图（Histograms of OrientedGradients，HOG）特征和局部二值模式（Local Binary Pattern,LBP）特征，包括他们的提取方式、改进算法、发展趋势等，并基于三种不同的分块方式比较了HOG特征和LBP特征在人体检测方面的特点、各自优势和不足。在此基础上，本文将HOG特征和LBP特征组合，提出了基于图像分块的HOG-LBP特征，结合支持向量机比较了基于此组合特征和基于单一特征的人体分类器性能上的差异，验证了组合特征的优势。进一步我们讨论了不同的分块方式对人体检测器性能的影响，得到最合适的分块方式，进而获得最优的分类器。最后，我们利用得到的最优分类器实现人体检测。检测过程中，我们采用了基于多尺度“金字塔”的滑窗检测方法，并对检测过程中同一个人体出现多个检测结果的情况进行融合，实现了最终人体检测结果。实验结果表明，我们的HOG-LBP组合特征能够更好的适应人体外观姿态的变化和复杂环境，实现更好的检测效果。