行人检测是利用计算机视觉相关技术判断图像或者视频中是否存在行人并给予精准定位的技术。该技术可与行人跟踪及行人重识别相结合,对区域内的行人进行检测、识别、跟踪,广泛用于人工智能系统、智能辅助驾驶系统及智能机器人等领域。因为行人外观易受尺度、遮挡、姿态等影响而造成检测精度大大降低,所以如何提升复杂环境条件下行人检测精度的同时满足检测速度的要求是一个极具研究价值的热门课题。本文基于深度学习的行人检测方法,在小尺度行人检测和遮挡行人检测两方面展开了研究,具体工作及研究内容如下:1.针对单、双阶段检测算法进行了介绍,并选取YOLOv3检测算法和Faster RCNN检测算法在Caltech行人数据集上进行比较,为更好的满足检测速度的要求,选取在远距离行人子集上表现更好的单阶段检测算法YOLOv3作为小尺度行人检测算法,为达到更高的遮挡行人检测精度,选取在遮挡行人子集精度更高的双阶段检测算法Faster RCNN作为遮挡行人检测算法。2.针对小尺度行人检测,提出利用多尺度特征融合增强模块提升模型对小尺度行人的特征表达。该模块主要包含两部分,第一部分采用感受野增强模块对特征图进行特征提取,增强浅层特征图的感受野。第二部分使用自适应空间特征融合模块替代传统维度拼接操作,自适应的学习各尺度特征的空间权重,充分利用各尺度特征信息,增强小尺度行人的检测结果。同时调整kmeans++聚类度量参数,得到更匹配数据集行人尺度的先验框。在Caltech行人数据集和VOC 2007数据集中的Person子集上进行测试,结果表明所提多尺度特征融合增强模块对行人检测性能提升具有效果,在不同数据集上都取得了较好的检测结果。3.针对遮挡行人检测,提出一种改进的注意力机制,融合通道注意力和空间注意力提升网络对行人未遮挡部位的关注。改进RPN的回归策略,增强遮挡行人的定位精度,选用基于距离交并比的非极大值抑制算法保留更精确的候选框,提升遮挡行人检测精度。在City Persons数据集和Wider Person数据集上进行了测试,结果表明对遮挡行人具有较高的检测精度,证明了该方法的有效性。4.采用Python语言构建了基于深度学习的行人检测系统,编程实现了对实际场景下采集的行人数据的检测,主要包含单图行人检测和视频行人检测功能。