行人检测是指在给定的图像或视频中,将行人从背景中识别出来。行人检测有着广泛的现实意义,可以应用到各种实际生活场景,如监控系统和自动驾驶。近年来,深度学习特别是卷积神经网络受到研究人员的广泛关注,神经网络的性能已大幅领先传统的基于手工特征的方法。然而,神经网络需要大量的标注数据进行训练,实际生产中标注数据十分昂贵,不能方便获取。本文在半监督学习的设置下,利用仅有的少量标注数据和大量无标注数据,提高模型的检测性能。针对标注数据不足的问题,本文首先利用少量标注数据训练一个弱检测器,收集高置信度样本作为伪标注数据。实际情况中,受制于弱检测器本身的性能,弱检测器产生的高置信度样本不一定是可靠样本。这类不可靠样本会引入大量错误信息,误导神经网络的训练,从而降低检测器的性能。为此,本文使用对抗学习的方法对样本图像进行转换,将不可靠的样本转换为可靠样本,提高训练数据的数量和可靠性。本文提出语义相似性和形状一致性两个正则项来保证生成图像的质量。接着使用标注数据和转换后的可靠样本训练一个样本分类器,用其产生更为可靠的伪标注数据。最后利用伪标注数据重新训练检测网络。本文在三个基准数据集上验证模型的检测性能和生成图像的质量。本文的模型超越了一些先进的行人检测方法。