近年来,随着机动车保有量的增加,交通环境不断恶化,城市道路交通安全形势日趋严峻。行人在整个交通体系中处于最弱势的地位,是交通事故中最容易受到伤害的人群,数据显示行人在交通事故中的伤亡人数居高不下。因此,研发高速有效的行人检测算法是减少交通事故,保障行人生命安全,提高城市运行效率的有效措施。本文以实际工程应用为目的,设计了基于不确定性理论和机器学习方法的行人检测方法。鉴于行人外观、复杂场景、光照变化的多样性以及部分遮挡等因素,仅根据单一或少数特征有时很难从复杂交通场景中区分出行人。本文采用证据理论快速有效地实现了复杂场景中的行人检测。首先根据行人的交通心理及行为特点提取其形状和运动特征,再利用蒙特卡洛方法得到各个特征对行人事件的检测能力,然后基于D-S证据理论对其进行融合,根据检测正确率是否满足预定目标不断调整算法的融合过程,最终实现行人检测。利用神经网络的优势,结合提取到的行人特征,提出了基于BP神经网络的行人检测算法。首先以行人的六个特征:长宽比、宽度、面积、速度、轨迹平滑度、轨迹矢量场作为特征向量,即BP神经网络的输入。然后分别对不同隐含层、隐层节点以及作用函数进行实验分析,确立了BP神经网络的结构,网络输出为行人的检测结果。经过数据分析和比较,证明了这些行人特征相辅相成,可以得到良好的检测效果。彰显了BP神经网络在行人检测中的可行性和应用价值。传统的深度学习必须满足一个基本的假设条件:训练数据与测试数据来自相同的特征空间且服从相同的概率分布。然而这一假设在许多实际应用中并不成立。当应用环境发生改变时,又需重新收集训练集→训练→得到模型。为此,本文利用深度学习(稀疏编码)与支持向量机(SVM)相结合的方式,在事先构造的训练集上学习各个类别的特征,自动构建出一个分类器,实现行人检测。实验表明,该算法具有良好的检测效果。而且当交通环境发生改变时,也能快速检测行人。