行人检测技术与行人重识别、行人跟踪等技术相结合,可应用在公共区域监控安防、智能辅助驾驶等领域。然而,现有的行人检测网络模型主要依靠通用目标检测模型。虽然取得了良好的检测效果,但直接应用通用目标模型对行人进行检测时,部位受遮挡的行人会存在漏检而导致精度降低等问题。本文在卷积神经网络相关理论知识与通用检测模型的基础上,构建了适用于行人部分受遮挡的检测模型,并提出了基于改进YOLOv3网络结构的行人遮挡检测方法,提高了行人检测效率并对模型压缩优化,方便移动端的行人检测部署。论文主要工作如下:(1)在现有网络结构、网络模型对比基础上,利用了卷积神经网络所提取的特征拥有较强表达能力的特点。将卷积神经网络应用于行人检测网络中,提取出的行人特征具有较强鲁棒性,并应用到下一阶段行人遮挡检测中。(2)针对实时场景中背景复杂、行人间部分受到遮挡导致检测质量不高的问题,本文在参考现有的卷积网络训练模型基础上对网络进行了改进,提出一种基于改进YOLO网络结构的行人部分遮挡检测算法。加强网络浅层的特征输出以提高局部特征检测;引入GIo U边框损失函数,以解决当两目标存在遮挡且交叉点相同时传统Io U无法精确的反馈重叠度的问题;并用PRe LU取代Re LU层用于加快训练速度。(3)针对目前复杂的行人检测网络难以部署在移动端的问题。通过分析现有的模型压缩方式,提出基于知识蒸馏模型压缩算法。将改进后的YOLOv3模型作为教师网络,达到良好的训练效果后。学生网络从教师网络中学习知识,并根据损失函数进行优化,最终得到的网络用于移动端部署。实验结果表明,与其他方法相比,基于改进YOLO网络结构的行人部分遮挡检测算法不仅能够实现实时的行人检测,在行人部分受到遮挡时,而且获得了较好的检测准确率。对于基于知识蒸馏模型压缩方法,实验结果表明,该方法不仅保证了原有的检测准确率,而且能够有效降低参数冗余,有利于模型部署。