行人检测技术在计算机视觉以及目标检测领域是一个重要的研究分支,其广泛应用于人工智能、车载辅助驾驶、智能监控、智能交通等方面。针对基于传统的机器学习方法进行行人检测的实时性差,检测精度低等问题,本文将深度学习与行人检测技术相结合,采用了多分类单极检测器即SSD算法作为行人检测的基础方法,然后在SSD算法上加以改进,得到了两种新的改进算法,在INRIA行人检测数据集中进行实验对比,改进后的算法相比原始SSD算法做行人检测的检测精度更高,训练时长更短,说明改进后的算法在行人检测上的实时性和准确性上都更加优化。首先,本文对研究背景与意义进行了阐述,对国内外研究现状进行了调研,分析行人检测技术在传统方法下和深度学习方法下的不同之处以及更好的发展前景。简单介绍了卷积神经网络、算法的优化方法和评价指标等基础知识。其次,本文介绍了所采用的SSD算法,以及其中的特征提取网络、多尺度特征映射、边界框回归、非极大值抑制、损失函数等内容。自制了INRIA行人检测数据集,并且运用SSD算法对自制数据集进行实验,得到检测精度为72.94%。本文还在SSD算法基础上提出一种基于残差结构的SSD算法,将SSD算法中的VGG16特征提取网络替换成了Res Net残差结构,在INRIA数据集上进行实验,将实验结果与原始SSD算法下产生的实验结果进行对比,检测精度提高了5个百分点,并且训练过程更加鲁棒。最后,为了使改进后的算法在训练过程中能够更加稳定,检测精度更加准确,提出了一种引入深度残差收缩结构的SSD算法,将算法中的分类网络替换成深度残差收缩结构DRSN-CW。介绍了深度残差结构、深度残差收缩结构的原理以及改进后算法的网络结构。进一步改进后的算法在行人检测数据集上得到的检测精度为80.13%,将以上三种算法在训练过程中产生的损失函数折线图以及检测精度上进行对比,得出三种网络中实时性和准确性效果最好的是引入深度残差收缩结构的SSD算法。