作为目标检测领域的特定课题,行人检测主要研究如何快速准确地从图像或者视频中检测出行人目标,并得到其精确坐标。行人检测的应用广泛,在无人驾驶、智能监控、客流量统计、机器人视觉以及人体行为分析等领域都发挥着重要作用。但由于行人目标形状姿态多样,服饰装扮各异,在不同视角和光照条件下所表现出来的形态不尽相同,并且还可能存在遮挡等情况,致使行人检测任务极具挑战性。目前,相较于其他算法,使用卷积神经网络搭建的行人检测系统通常能够取得更高的检测精度,但对于复杂环境中的小尺寸行人目标,这类系统在检测精度上仍然有待提高。为此,本文在基于卷积神经网络的目标检测系统基础之上进行优化,提出了一种改进型行人检测系统。该系统优化了数据集的预处理过程,并借助一种改进型反馈损失计算方法优化了检测系统的分类网络。此外,针对小尺寸行人目标检测精度低的问题,在系统主体模型之外设计了两种复查子系统,一种使用HOG特征结合自适应增强学习算法,另一种用到了SSD目标检测框架。检测时,通过主系统获得大尺寸行人目标的精确坐标和小尺寸目标所在区域的建议,然后复查子系统实现对小尺寸行人目标的精确定位。改进后的行人检测系统旨在改善大尺寸行人目标检测精度的同时,有效提升小尺寸目标的检测精度。为验证改进算法的可行性与有效性,本文使用了Faster R-CNN和SSD两种目标检测框架搭建行人检测系统的主体模型,同时分别使用Inception网络结构、残差网络结构和深度可分解卷积网络结构搭建系统主体模型的特征提取网络,并结合Caltech和CityPersons行人检测数据集对检测系统进行训练和测试。最终的实验结果证明,改进后的行人检测系统在实时运行的状态下,仍然具备优异的检测性能,并且在实际的应用场景中依然具备很好的检测效果。