طراحی سیستمی که قادر به شناسایی انسان در تصویر باشد از جمله کاربردهای مهم هوش مصنوعی و بینایی ماشین است. تشخیص انسان کاربردهای بسیاری دارد. از جمله ی آنها می توان به کاربردهای امنیتی در سیستم های نظارتی ساختمان ها و مراکز اداری که ورود و خروج اشخاص را کنترل می کنند؛ سیستم های دستیار راننده و ماشین های خودکار هوشمند که موانع انسانی را در مسیر تشخیص می دهند؛ رباتیک، حقیقت مجازی، ارتباط کامپیوتر و انسان، تحلیل خودکار تصاویر و غیره اشاره کرد. تاکنون راه حل های متعددی برای شناسایی انسان در تصاویر ارائه شده است، اما هیچ کدام از این روش ها قادر به حل کامل مسئله نبوده اند. روش های ارائه شده به طور کلی شامل دو مرحله هستند: 1) نمایش اطلاعات تصاویر و توصیف آن 2) دسته بندی. از جمله ی این روش ها، روش استفاده از هیستوگرام گرادیان جهت دار است که کارآیی خوبی در مقایسه با سایر روش ها داشته است. در این روش تصاویر با بردارهایی توصیف می شوند که می توانند بسیار بزرگ باشند و در نتیجه حجم اطلاعاتی که برای آموزش رده بند لازم است بسیار زیاد شود. جهت بهبود این روش و کاهش اندازه ی بردارهای توصیفگر، در این پایان نامه از مدل کیف ویژگی ها بهره گرفته شده است. ویژگی مورد استفاده تکه های تصویر است که به صورت متراکم از تصویر استخراج شده اند و توسط هیستوگرام گرادیان جهت دار توصیف شده است. از ویژگی های متراکم استخراج شده جهت تشکیل کلمات بصری و ساخت کیف ویژگی ها استفاده می شود. پس از به دست آوردن کلمات بصری تصاویر از روش وزن دهی tf_idf استفاده می شود. مزیت استفاده از روش وزن دهی در این است که کلمات بصری ای که نقش مهم تری در توصیف شیء موردنظر دارند وزن بیشتری می گیرند. برای بررسی کارآیی روش پیشنهادی، از مجموعه داده هایmit و inria استفاده شده است. نتایج به دست آمده از آزمایش ها گویای بهبود کارآیی روش پیشنهادی در مقایسه با روش دلال و تریگز است.