近年来,行人检测是目标检测热门研究领域之一,主要是利用计算机视觉技术检测图像或者视频序列中是否有行人存在,并且标出每个行人的确定位置。行人检测在智能安全监控、自动驾驶、人机交互等方面有着重要的研究价值和广泛的应用前景。现有行人检测方法大多采用特征金字塔进行多级预测,虽然能检测多尺度的目标,但易产生离物体中心较远的预测框,导致检测精度不高。在行人密集、遮挡严重的情况下,相关网络模型无法获取足够的目标特征,从而导致错检、少检的情况。针对上述问题,本文主要开展如下两个方面的研究:（1）针对特征金字塔易产生大量低质量的预测框,本文提出了一种基于动态选择最佳特征的行人检测方法。首先,通过在检测头网络中加入中心性分支,以降低低质量预测框的权重,从而减少低质量预测框的数目。其次,耦合动态选择最佳特征（Dynamic Selection of Optional Feature,DSOF）的模块,通过计算不同特征层的总损失函数,对其取得最小值的层级进行特征训练,实现最佳特征的动态选择。再者,通过样本区域的划分以优化正负样本的标记方式,提高检测器对前后背景的区分准确度。最后,实验结果表明,该方法实现了对低质量预测框的抑制以及最佳特征的选择,并且提高了对图像前后背景的区分准确度,有效提升了模型的检测性能。（2）针对行人检测遮挡场景中特征提取不足的问题,在基于动态选择最佳特征的行人检测方法的基础上,本文提出了一种基于完全卷积的行人检测特征增强方法。首先联合优化回归特征（Optimized Regression Feature,ORF）模块,通过优化网络结构中的位置回归分支特征,获取回归特征更多的位置信息。同时,引入增强边界特征（Enhanced Boundary Feature,EBF）方法,直接利用从每个边界汇集的边界特征增强原始点特征,使得特征图对目标边界的极值点有很高的响应,受背景噪声影响较小。最后,实验结果验证了该方法可以有效增强行人目标的特征提取,提高了遮挡场景下的行人检测能力。