行人检测是计算机视觉领域的一个热门研究课题,旨在利用计算机视觉技术识别图像或视频数据中存在的行人并对其精确定位。该技术可以作为行人重识别、人体姿态估计和行为分析等视觉任务的研究基础,同样也可以应用于智能安防、车辆辅助驾驶系统和智能机器人等工业领域。不管是在相关学术研究领域还是工业应用中,行人检测技术都发挥着十分关键的作用。随着深度学习的迅速发展,行人检测研究在近些年来取得了许多的成就和突破,基于深度卷积神经网络的一系列方法成为了该领域的主流。目前,通用目标检测方法在标准行人检测中能够取得符合预期的结果,但是在拥挤场景中的行人检测存在众多挑战。当行人密度增大时,行人之间的遮挡也会随之加重,常规检测器很难在当前环境下有效完成遮挡行人的检测。此外,行人兼具刚性和柔性物体的特性,在尺度、穿着和姿态等方面有着不同程度的差异,这些因素都无疑会提升拥挤场景中行人检测的难度。鉴于上述局限,本文以基于深度学习的行人检测模型为基础,通过改进网络的具体实现来有效应对拥挤场景下的行人检测,引入提出的网络模块优化行人检测网络的特征提取。本文的主要研究工作包括如下三个方面:（1）针对拥挤场景中的行人遮挡问题,大多数行人检测方法更加倾向于利用一些数据集当中的额外标注信息（例如:头部标注或可见部位标注）,或者使用注意力机制来强调行人可见区域的特征信息。然而,很少有方法尝试使用特征上下文信息对骨干网络提取的特征进行加强以应对遮挡导致的完整目标信息缺失问题。因此,本文提出一种全局上下文感知模块,能够有效地结合特征上下文信息,通过全局上下文的引导获得更加准确的遮挡行人特征。此外,对遮挡行人显著的上半身特征进行增强,使得具有判别性特征更多的用于最终网络决策。提出方法可以有效提升行人检测网络在拥挤场景下的性能,减少许多因遮挡导致的漏检或误检。（2）针对拥挤场景中的行人目标多尺度问题,本文改进了特征金字塔网络。首先利用卷积神经网络深层具有高级语义信息的特征与浅层高分辨率的特征进行融合。然后通过带权融合的方式将网络的浅层特征自下而上地融合进深层,使网络可以根据不同融合特征分配不同的权重信息。经过充分融合的多层特征输出可以更加有效地应对目标尺度的变化。考虑到完整特征信息的缺失可能使检测器无法对目标做出准确定位。因此,本文提出一种能够融合空间信息的模块,通过空间特征信息辅助网络获取潜在的行人特征,补偿因遮挡而丢失的显著特征信息。（3）两阶段行人检测方法相较于单阶段方法,在检测精度上有着一定优势,但网络模型普遍偏大。本文采用的方法模型均使用两阶段结构,为了有效降低模型的大小,提升模型的检测效率,使用轻量级网络Mobile Net作为骨干网络。同时,为了增强骨干网络在拥挤场景下的行人特征抽取能力,在骨干网络结构中加入基于Transformer编码的特征融合,使网络的多层特征输出更具鲁棒性。对于拥挤场景行人互相遮挡重叠难以准确地回归其位置的问题,本文利用多级回归的方式,渐进式地结合已有信息以实现更加准确的行人位置回归。基于上述的三个研究工作,本文在具有挑战性的Crowd Human数据集和City Persons数据集上开展了验证性实验。通过充分的实验对比与指标评估,验证了提出方法的有效性。