进入21世纪以来，不论是在发达国家还是发展中国家，交通事故已成为一个严重的社会问题。智能辅助驾驶系统是为应对这一问题而诞生的，其重要的子系统基于计算机视觉的行人保护系统已成为应用计算机视觉技术改善交通安全的重点研究方向。在行人保护系统中，从车载摄像头所获取的实时交通场景中检测行人是关键。由于行人外观的多变性、车载系统下背景的复杂动态特性和实时性的要求，使车载系统下的行人检测问题具有极大的挑战性。目前关于智能辅助驾驶系统中的行人检测的方法也较多，大多数方案是基于特征选择和机器学习的，但是，由于大量特征的计算和全局搜索难以达到实时计算的要求。因此，如何能将待检测窗口限制在尽量少的范围内就显得十分重要。论文提出了一种改进的基于立体视觉的摄像机角度估计自适应图像采样方法，加上对空间信息的分析，将大量不包含行人的窗口过滤掉，有效减少了计算时间。论文采用基于类Haar特征和AdaBoost学习方法以及基于HOG特征的SVM学习方法两种方法设计的分类器。本文采用的自适应路面拟合结合空间信息分析的窗口分割算法在对窗口进行分类之前将大量没有包含行人目标的窗口过滤掉，一方面极大的减少了接下来分类阶段中的计算时间，另一方面使得虚警减少，提高了检测性能。最后将结果同相关文献中其它方法进行了比较，结果表明本方法在保证检测效果的同时计算速度上取得了显著的提高。