行人检测作为目标检测领域重要的组成部分,旨在应用相关技术判断输入图像中是否存在行人并作出标记。现如今,被广泛应用在智能交通系统、人体姿态估计、医疗等生活中的各个领域。在深度学习的快速发展下,当前的行人检测算法在许多公开数据集上取得了不错的效果。但针对复杂背景下的行人检测,受到光照变化,背景纹理以及行人姿态,尺度多变等因素的影响,当前基于深度学习的行人检测技术依旧存在许多问题有待解决。本文针对光照不均,行人尺度姿态多变以及距摄像头远近等问题,研究了基于复杂背景下的多尺度行人检测的以下三方面内容。1.针对现实场景中行人背景光照昏暗对检测效果产生巨大影响的问题,研究构建了基于Retinex的小波降噪图像增强模型,对输入图像进行预处理操作。基于Retinex算法对复杂背景下的图像进行对比度增强,将待处理的图像从RGB转换至HSV空间,然后对明度V进行增强。使用Retinex原理和加权变分模型（WVM）将明度V分解为反射层R和照明层L,并对分解得到的照明层进行阴影提升。在保证亮区不过曝的前提下,在亮部、暗部和噪声之间实现更好的平衡性。2.针对行人姿态各异,与摄像头间距不等所导致行人尺度变化大,远距离行人检测困难等现象,本文提出了基于通道增强的YOLOv3多特征融合的改进算法。对比于不同特征增强的检测效果,选择在骨架网络的残差模块后加入Squeezeand-Excitation模块,提高对多尺度行人特征信息的挖掘能力,并在网络末端进行空间金字塔池化,加强网络特征提取效果。将处理过的低层特征和处理过的高层特征进行累加,融合了多层特征信息,并在不同的特征进行输出,利用特征金字塔融合的多尺度预测,处理对远距离小尺度行人识别精度低的问题,从而实现了检测模型在多尺度层面的可用性,提高其检测准确率。在Caltech数据集上进行训练,在COCO和Caltech的测试集上验证算法的有效性。3.针对目标行人宽高尺度变化幅度大,导致常规锚框预测失败的现象,提出了跨尺度Anchor预测的改进算法,通过调整Anchor box的分配,使检测系统更好的适应极端尺度行人,进一步提高了多尺度检测效果。通过计算预测框与真实框两个中心点的欧式距离,直接得到预测样本与真实框的交并面积关系。对比于直接使用均方差损失计算样本与真实框的距离,改进后使训练过程更加稳定的完成目标框的回归,从而避免不易收敛的情况。最后结合图像增强模型与行人多尺度特征融合过程,构造一个多尺度行人检测系统,实现了复杂背景下行人检测的有效性。