在当前大数据和人工智能时代,行人检测的相关研究得到广泛应用,特别是在自动驾驶、视频监控和人员检索等领域。随着摄像机数量的快速增长,获取海量数据变得相对容易,但为每个应用场景人工标注大量训练数据代价昂贵。目前主流的行人检测方法都是基于深度卷积神经网络模型,其训练过程通常需要大量标记数据。为解决这个问题,半监督行人检测研究如何利用少量标记数据和大量无标记数据联合训练检测模型。现有的半监督方法普遍采用多阶段训练策略,需要花费的时间成本较高。针对检测模型对大量标记数据的依赖和多阶段训练策略时间成本高的问题,本文基于Faster R-CNN(Faster Region-based Convolutional Neural Networks)的区域候选网络,提出自增强区域卷积神经网络(Self-Enhanced Region-based Convolutional Neural Networks,SE-RCNN)模型以提高半监督行人检测性能。SE-RCNN模型由可靠性分析模块和自增强检测模块组成。为利用无标记数据,自增强检测模块从中提取高置信度候选框,可靠性分析模块负责过滤其中低质量的部分,剩余高质量的候选框作为伪标记提升自增强检测模块的泛化性能。可靠性分析模块由显著性检测分支和交并比估计分支共同组成。其中,显著性检测分支实现网络对行人显著性信息的感知,并把该信息编码到共享特征图;交并比估计分支对候选框中人体位置进行评估,排除人体所占区域过大、过小和偏离中心等情况,从而确保伪标记具有较高的准确性。由此,少量人工标记数据和大量伪标记数据能够同时用于模型优化,达到单阶段训练检测器的目的。在多个标准行人检测数据集上,我们验证了可靠性分析模块在有效提升伪标记准确性的同时,也能辅助提升自增强检测模块的检测性能,并且本文提出的SE-RCNN模型性能优于对比方法。