行人检测作为目标检测领域的特定课题,在无人驾驶、智能监控、客流量统计、机器人视觉以及人体行为分析等领域都发挥着重要作用。目前,相较于其他算法,使用机器学习搭建的行人检测系统通常能够取得更高的检测精度,但还存在着单一特征对行人整体表征不足、复杂环境中对小尺寸行人目标检测精度差和SVM分类器计算量大、检测实时性低等问题。本文针对传统机器学习的行人检测算法进行研究,对上述不足点进行改进,针对行人目标多尺度问题,本文设计两种不同尺寸的行人检测模型分别检测大尺寸和小尺寸行人目标。设计基于随机霍夫圆变换（RHT）对行人头部目标进行筛选,并进行公式推导和实验验证,最终给出行人区域建议,减少无效区域的特征提取。然后设计一种加权融合特征（HLS特征）,该特征是通过对梯度直方图（HOG特征）、局部二值模式（LBP特征）和尺度不变特征（SIFT特征）加权融合得到,并通过各特征检测对比实验证明了融合特征可以有效增加了行人特征表征力,降低外界干扰对行人检测的影响。接着本文在线性判别分析LDA理论的基础上,根据同种类型中的不同样本间的相似性比不同类型中的不同样本间的相似性高得多的理论依据,对融合的权重系数进行改进。同时对SVM核函数进行改进,使用交叉核代替传统SVM核函数,将时间消耗与支持向量数目之间的传统的线性关系变为对数关系,使交叉核SVM随着支持向量数目的增加,时间的增加很缓慢。并通过HLS特征与常见特征的检测对比实验和HLS融合特征算法与其他融合算法的对比实验进行了证明。最后对基于随机霍夫圆变换（RHT）的目标建议区域、多特征融合的行人检测算法和改进后的分类器在GPU下的并行加速过程进行实例化介绍。并通过不同参数环境下行人检测系统对比实验、多特征融合算法对比实验、验证CPU下特征提取时间与本文采用的CPU与GPU混合编程的人体特征提取时间对比实验和行人检测系统实时性对比实验进行实验论证。实验结果表明,本文设计两种不同尺寸模型的行人检测模型可以有效提高对小尺寸行人目标检测精度,基于RHT的目标建议区域可以有效减少无效的特征提取区域,HLS融合特征较其它特征能更好对人体目标进行识别,基于GPU加速的融合算法对比串行行人检测算法加速明显。证明了本文算法在检测率、检测时间方面均有提高,能够快速有效的检测行人目标,具有实际意义。