基于深度学习的目标检测算法凭借其速度快、精度高的优势逐步取代传统车辆行人检测算法。现有的深度学习车辆行人检测大多为日间检测,对夜间车辆行人检测研究较少。在夜间车辆行人检测过程中,因受光线模糊,检测目标较小,类间遮挡和类内遮挡等因素影响,造成车辆行人有效特征难以提取,对模型检测精度和速度造成了影响。本文以生活场景中夜间车辆行人为研究对象,使用卷积神经网络构建车辆行人检测模型,实现对夜间车辆行人的检测。论文主要工作如下:（1）针对夜间车辆行人检测任务中,因视线模糊导致有效特征难以提取而造成的模型检测结果精度低的问题,论文使用数据增强算法提升图像画质。本文使用MSRCR（Multi-Scale Retinex with Color Restoration）算法降噪并避免颜色失真;加入直方图均衡化改变灰度值使数据增强;采用自动白平衡算法降低路灯光线对图像的影响,提升夜间车辆行人检测模型精度。（2）本实验在YOLO v4的基础上改进,为提高夜间车辆行人检测速度提出了SCSP（Simplified Cross Stage Partial Network）结构,S-CSP相比CSP减少两次激活函数和归一化处理进而减少网络的计算量提升模型检测速度。接着,为解决原始聚类中心人工选取误差大影响先验框选取的问题,论文采用K-means++聚类算法代替K-means聚类算法,并将欧几里得计算距离替换为交并比的方式衡量距离进行聚类,加快模型收敛速度,使夜间车辆行人检测效果提升。（3）针对受检目标遮挡问题,论文提出New Soft-NMS算法降低漏检率并修正受检目标位置信息。New Soft-NMS算法将非最佳候选框置信度进行衰减运算,进而降低漏检率,将与最佳候选框交并比值大于等于阈值的非最佳候选框和最佳候选框位置信息进行求均值处理,使最佳候选框定位更准确,之后将其置信度变为零,从而提升受检目标遮挡时的夜间车辆行人检测效果。为提升车辆行人检测模型速度,将YOLO v4原有的CIOU（Complete Intersection over Union）损失函数改进,提出了NIOU（New Intersection over Union）损失函数,NIOU损失函数在CIOU损失函数基础上加入了重合框宽高相似比,当预测框与真实框出现交集时,出现重合框,重合框宽高比例向着真实框宽高比例移动,直到它们的值相等。与原始CIOU损失函数相比NIOU损失函数收敛速度更快,夜间车辆行人检测效果更好。