行人检测技术在智能视频监控、车辆辅助驾驶、人体行为分析等方面有着广泛的应用，随着各种视频信息的飞速增长，安全意识的不断加强，大量不同场景下的行人检测任务需求变得越来越迫切。在实际应用中目前仍然难以训练一个对于所有场景都适用的通用检测器。已有检测器在新场景下的检测性能会急剧下降，大大降低了行人检测技术的实用性。对每个新场景都重新采集、标注样本和训练分类器，非常耗时耗力。为构建一个具有良好场景自适应能力的行人检测器，本文分别从行人特征描述、样本迁移和检测器迭代优化等关键问题入手，对已有的算法进行改进和优化。　　本文的主要贡献如下:　　(1)提出了融合上下文局部关联特征的行人目标描述方法　　特征描述是基于机器学习行人检测技术的核心内容之一，现有的特征描述大都基于行人表观内部区域，没有充分利用上下文信息。本文提出了两种局部上下文关联特征，并和当前性能较优的积分通道特征ACF相融合来提升行人目标描述能力。其中提出的梯度方向关联特征(GOA)将行人样本不同位置之间的梯度方向值对编码为一个值，提出的局部ACF差值特征(LDA)则通过计算局部区域的ACF特征矩阵差值来反映行人和背景等不同分块区域之间的差异性。实验表明，提出的融合上下文信息的特征描述方法能进一步提升行人检测性能，以更好的应对复杂多变的实际场景。　　(2)提出了基于分块加权距离的样本迁移策略　　基于统计学习的行人检测方法基于数据的同分布假设，如果新场景下的数据分布和已有场景存在差异，已有检测器在新场景下的检测性能会出现明显下降。对每个新场景都重新采集和标注大量样本，重新训练检测器的方法难以在实际中推广。本文借鉴迁移学习的样本迁移机制，利用新场景的少量标注样本，提出了基于分块加权距离的相似性度量方法，并利用KNN算法将其他场景的已标注样本进行迁移，辅助新场景的行人检测器训练。实验结果显示，提出的样本迁移策略能够有效提升新场景行人检测性能。　　(3)提出了权重差异化调整的检测器迭代优化算法　　通过样本迁移，得到了许多其它场景下的原样本作为新场景训练样本。虽然经过适当的相似性度量，迁移样本与新场景样本在一定程度上是相似的，但标注的新场景样本与迁移样本的数据分布仍可能存在差异。本文基于Dollar提出的快速决策树级联的检测器训练算法，加入针对原数据集和新场景数据集的样本权重差异化调整过程，在分类器迭代训练过程中，在原有的增加错分样本权重基础上，进一步增加新场景错分的正样本权重。这样经过多轮迭代，新场景样本在迭代训练后期会逐步增加权重，使最终得到的行人检测器也更加适应新场景数据，从而减少迁移的原场景和新场景训练数据分布不一致引起的检测器漂移问题。