行人检测是计算机视觉领域重要的研究方向，其涉及到数学、模式识别、人工智能和机器学习等多学科的知识。行人检测在智能交通领域（如车辆安全、视频监控和自动驾驶系统等）具有广泛的应用前景。因此，对行人检测的研究具有极大的理论意义和实际应用价值。然而，由于行人检测受到光照变化、遮挡以及人体自身变化大等因素的影响，设计一个高效的行人检测算法仍是一项具有挑战的任务。　　近年来，一些经典的图像特征的提出使得行人检测方法的性能有了长足的进步。然而，人为设计的特征仍然存在着一些局限性。本文针对静态图像的行人检测中多特征信息融合的问题展开了三个方面的研究。本文主要工作和创新之处概括如下:　　(1)提出了一种基于多特征融合的行人检测方法。由于单个特征在设计时往往只考虑某些特定的视觉特性（如颜色、梯度和纹理等），因此其具有一定的局限性。多特征的融合有助于结合多个特征的优点来提高行人检测的性能。然而多特征的融合会导致高维数据的产生，因此引入一种有效的降维方法具有重要意义。传统的偏最小二乘(Partial Least Squares，PLS)降维方法已经在特征降维中展现了其良好的性能。我们在其基础上提出了一种基于正则加权最小二乘(RegularizedWeighted Least Squares，RWLS)的PLS方法，用于行人检测中多特征融合后的特征降维。在该方法中，为了最小化样本残差，我们构造了一个RWLS的目标函数，并在其中增加了一个判别项用于更好地区分正负样本。最终，通过求解该目标函数可以得到更加鲁棒的潜在矩阵和权重（投影）矩阵。实验结果证明，本文提出的多特征融合的方法不仅可以有效地融合多特征的优点，同时可以极大地减少了特征融合带来的计算复杂度。　　(2)提出了一种基于加权稀疏偏最小二乘方法(Weighted Sparse PartialLeast Squares，WSPLS)的行人检测方法。在行人检测中，通过积分技术对不同的图像特征通道进行快速计算的方法得到了广泛的关注，其中基于积分通道特征的方法是其代表性工作之一。本文在积分通道特征方法（如Locally DecorrelatedChannel Features，LDCF)的基础上，为了能利用特征选择去除高维特征中的冗余和不相关信息，提出了一种基于WSPLS的行人检测方法。在该方法中，结合(1)中得到的优化后的潜在矩阵和稀疏偏最二乘法(Sparse Partial Least Squares，SPLS)训练稀疏权重矩阵。最后，利用稀疏权重矩阵的稀疏特性选择积分通道特征用于训练决策树分类器，同时把每个特征在稀疏权重矩阵中的加权信息与每个决策树相结合，训练出更加鲁棒的行人检测分类器。实验结果表明，基于WSPLS的特征选择和权重信息融合的方法，不仅可以去除人体特征中大部分冗余和不相关信息，而且可以训练出更加鲁棒的行人分类器。　　(3)提出了一种基于局部多特征共生性(Local Multiple Feature Co-occurrence，LMFC)的行人检测方法。(2)中提出的WSPLS方法，在对积分通道特征进行选择时，只选择单个特征用于训练增强(boosted)决策树的结点，而以往的研究表明利用多特征共生性可以比利用单个特征获得更多的信息量。因此，针对单个特征训练分类器的缺点，本文提出了一种简单但高效的基于局部多特征共生性的行人检测方法。该方法不仅能提取出多个特征的共生性，同时利用特征选择机制可以降低特征共生性选择过程带来的计算复杂度。实验结果表明，局部多特征共生性可以为行人检测提供比单个特征更多的信息量。