随着机器学习和计算机技术的不断发展,利用深度学习技术进行行人检测已经成为主流方法,并逐步开始应用于平安城市、智慧交通等领域。然而在密集场景下行人目标存在类内遮挡和大尺寸变化,严重制约了SSD、Faster RCNN等经典深度学习检测方法的精度。为此,本文对基于深度学习的密集行人检测方法进行研究,从多尺度特征融合、多任务检测和渐近定位等方面进行改进,对提高遮挡、尺度变化条件下目标检测的精确性和适应性具有重要意义。本文的工作内容可以归纳为以下几点:第一,提出了一种基于稳定性加权的多尺度特征融合方法(Stability Weightedbased Multi-scale Feature Fusion method,SW-MFF)。对基础网络中不同尺度的五张原始特征图和由最终特征图上采样得到的五张深层特征图进行加权求和,由于后者具有更加抽象稳定的特征表达能力,在融合时提高其所占权重,构造出多尺度卷积特征,再利用其进行目标区域检测。在HUST自制数据集和CUHK公开数据集上进行实验,结果证明,相比于Faster RCNN,该方法在两个数据集上的漏检率分别下降了3.4%和2.6%(FPPI=0.1)。第二,提出了一种目标分类、位置回归和漂移抑制多任务目标检测方法(Object classification,Bounding-box regression,and Drift depression-based Multi Task Detection method,OBD-MTD)。在分类和回归任务之外,针对密集行人目标类内遮挡严重的问题,利用损失函数对预测框与邻近遮挡目标的重叠程度进行建模,通过最小化损失函数达到漂移抑制的目的,并同时应用至检测网络的RPN和RCNN阶段。以SW-MFF作为基准方法进行实验,结果表明,加入多任务检测方法后在HUST和CUHK数据集上的漏检率分别下降了2.3%和1.1%(FPPI=0.1),对于遮挡变化具有更好的精确性和鲁棒性。第三,提出了一种两级RCNN级联的目标渐近定位模型(Cascaded RCNN-based Asymptotic Location Model,CR-ALM)。通过在RPN和RCNN阶段对预测框进行两次修正的基础上,级联第二级RCNN模块,完成对预测框的多次修正,逐步产生更精准定位的预测框集合,据此构造出渐近定位模型。最终将该模型与本文前两种方法集成。以SW-MFF+OBD-MTD作为基准方法进行实验,结果证明,加入渐近定位模型后能够产生更加精确的目标预测框,有效筛除冗余和误检窗口,在HUST和CUHK数据集上的漏检率分别下降了2.2%和1.2%(FPPI=0.1)。