行人检测是模式识别和目标检测的一个具体研究领域,是城市安防和辅助驾驶中重要的研究内容。通常的行人检测任务所面临的场景往往处于良好的可视条件下,而对于可视条件较差（如夜间,沙尘暴天气等）的场景研究较少。因为可视条件较差的场景下,常规相机的成像效果往往也较差。近红外成像的出现在一定程度上提高了成像质量。与可见光成像相比,近红外成像基于物体辐射进行成像,不依赖所处环境的光照条件,在可视条件较差的场景下仍然能够取得良好的成像效果,具有一定的应用前景。本文基于深度学习方法对行人检测技术展开研究,设计红外场景下的行人检测算法并在相关数据集上进验证,取得了良好的效果,主要工作如下:（1）针对夜间场景下的可见光成像较差的场景,使用红外图像进行行人检测。设计了基于YOLOv3的红外行人检测网络IR-YOLO。该网络以YOLOv3为基础网络模型,结合Dense Net网络的密集连接思想,将特征提取网络中不同层的特征图进行拼接,使得每一层特征图含有丰富的低层和高层特征;其次,通过Distance Intersection over Union（DIo U）替换原有损失函数以提高检测时预测框和真实框位置的敏感性。最后,为更好地验证算法的有效性,我们建立了实际场景下的夜间近红外行人检测数据集（NTPD数据集）。实验结果表明,IR-YOLO网络行人检测算法能够有效提高检测精度。（2）针对存在一定可视条件的夜间场景,采用红外-可见光两种模态的数据进行行人检测。设计了基于红外-可见光的跨模态行人检测网络。该网络综合考虑红外图像和可见光图像的图像特征,结合两种图像特征进行行人检测。该网络通过两个不同的卷积神经网络分支分别对红外图像和可见光图像进行特征提取,并在进入全卷积层前,采用中期融合方法对红外图像和可见光图像进行特征融合。而且,考虑到不同模态的特征对最终分类的影响占比不同,引入模态权重子网络对各个分支所占权重进行回归加权。在KAIST跨模态行人数据集的实验证明,该方法在红外图像行人检测中具有良好的检测性能。（3）基于红外图像行人检测和跨模态图像行人检测的算法的研究,设计并实现了红外图像行人检测系统。系统采用B/S架构,利用Django框架和MySQL完成开发。经测试,系统功能完善,运行流畅,交互逻辑易于理解,具有一定的实际应用价值。