目前夜间行人检测采用的图像有激光雷达、可见光图像、红外图像等。在夜间,光照条件不足,可见光相机的成像质量差,而红外成像技术是通过检测物体发出的热量来形成灰度图像的,拥有全天候工作的优点。近几年来,随着深度学习技术的迅猛发展,深度学习成为许多模式识别与物体检测问题的主流方法。基于深度学习的红外图像行人检测技术具有很大市场应用潜力。本文首先对红外图像的目标、背景以及噪声特性进行分析。针对性地对红外行人图像进行图像预处理。在去噪方面,本文介绍了一些传统的去噪方法,结合小波去噪提出了一种小波自适应阈值去噪方法,将图像经过小波分解,通过计算尺度参数得出每层的阈值,从而对不同层的高频部分进行去噪。在滤除噪声的同时也保留了较好的边缘信息,处理效果优于其他方法。在增强对比度方面,限制对比度的自适应直方图均衡化有不错的结果。在提高图像的对比度的同时既不需要用户输入,也没有出现图像的过分增强,处理效果优于其他方法。本文还介绍了卷积神经网络的基础知识,以及现有主流深度学习平台和模型,通过对比分析发现SSD网络具有较大优势。因此提出了改进的SSD网络红外图像行人检测方法,由于SSD网络采用VGG-16进行特征提取,网络计算量大,故将其替换为准确率高且参数量少的Moblie Net V2网络,使网络在保证精度的同时更满足实时性需求。由K-means算法对先验框的个数与长宽比进行调整,使网络更适用于行人检测。经过实验论证,改进的网络检测时间缩短,精度提高,在CVC-09数据集上m AP可达到91.73%。本文针对红外图像行人检测中图像细节少,检测率低等问题,提出了基于迁移学习的SSD算法,用Moblie Net V2（1.4）+SSD己经在CVC-09数据集上迭代训练的模型权重作为基础来初始化新的Moblie Net V2（1.4）+SSD的网络参数,然后将直接涉及到输出层的6层网络权重进行重新学习,加速网络收敛。经过OUS热红外数据库测试后,m AP达到94.6%。实验结果表明,本文提出的方法可以有效加快检测速度,提高识别准确率。