近年来,我国汽车产业蓬勃发展,汽车智能化水平逐步提升,人们对汽车的主动安全性提出了越来越高的要求。汽车先进驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)是实现汽车主动安全的关键,行人检测是ADAS的技术难点,更是ADAS行人碰撞预警系统的核心技术,直接关系到行人的人身安全。由于道路场景和行人自身的复杂性,使得目前还没有一个检测精度高、实时性好、鲁棒性强的行人检测器,目前汽车ADAS中行人检测大多数是采用方向梯度直方图特征和支持向量机的方法,需要手工设计行人特征,且步骤复杂、耗时多,而深度学习视觉算法提供了一个好的解决方案,它将行人特征的提取与行人特征的识别统一到同一网络模型中,自动学习行人特征,简化了行人检测步骤,减小了计算量。本文以汽车ADAS行人检测问题为研究对象,在查阅国内外相关领域文献的基础上(第一章),主要展开了以下研究:第一,建立了一个新的混合数据集INRIA-NEW,引入深度学习视觉算法Faster R-CNN、YOLO构建了端到端的行人检测器。深入研究了行人检测中行人特征的提取和行人特征的识别这两个关键问题,并把行人特征的提取和行人特征的识别统一到同一网络模型中,完成了端到端的行人检测(第二章,第三章)。第二,提出了高精度、高实时性、强鲁棒性的YOLO-Person行人检测器。在YOLO的基础上,结合批量归一化、残差、特征金字塔网络以及行人宽高比特点进行优化,确立优化方案,采用迁移学习的方式进行训练,构建出YOLO-Person行人检测器,达到了检测精度、实时性和鲁棒性的平衡,高效完成了行人检测(第四章)。第三,提出了行人碰撞预警准则及相应工作流程,基于优化模型YOLO-Person构建了行人碰撞预警系统,并采用YOLO-Person完成了车载视频的行人检测。对行人碰撞预警系统进行了模块化设计,针对该系统的行人检测和行人测距分别给予相应的解决方案。同时,基于优化模型YOLO-Person完成了车载视频的行人检测试验,验证了YOLO-Person方法的有效性和优越性(第五章)。本文分别在INRIA-NEW混合数据集和车载视频上完成了行人检测,试验结果表明:相较于传统方法,基于深度学习的端到端行人检测模型的性能显著提升,且本文构建的YOLO-Person行人检测器在检测精度、实时性和鲁棒性方面都具有良好的表现。