行人检测是区别于通用目标检测的一个特殊的检测任务,在智能监控、自动驾驶和智能机器人等领域有巨大的研究价值和应用前景。近年来,虽然行人检测技术取得了显著的进展,但仍存在很多挑战。在很多应用场景中,行人的尺度分布范围非常广,中小尺度行人占很大比重,而现有的行人检测算法对中小尺度行人的检测精度非常低。本文针对多尺度行人检测问题进行了研究,旨在提高中小尺度行人的检测精度。受经典的通用目标检测框架的启发,本文提出了一种端到端的多尺度行人检测算法。首先,本文从行人的特点出发,提出了多尺度行人区域建议网络,该网络通过多尺度行人参照框和小步长锚点等来得到高质量的多尺度行人候选区域。其次,针对中小尺度行人特征不足的情况,本文提出了一种适用于行人检测的感兴趣区域采样方式和多层次卷积特征融合方式,将底层特征和高层语义特征相结合,提高了特征的表征能力。然后,考虑到行人检测环境比较复杂且难分样本多,本文引入了焦点损失函数来进行难分样本挖掘,进一步提高了算法的检测精度。最后,本文结合了一些常用的训练技巧,通过联合训练方法来进行模型的训练。为了验证所提算法的合理性与有效性,本文在Caltech数据集、INRIA数据集和ETH数据集上进行了实验。实验结果表明,本文提出的多尺度行人检测算法在这些数据集上都取得了非常有竞争力的结果,并在中小尺度行人检测上表现优异。同时,本文的研究工作对其他特殊目标的检测也有一定的借鉴意义,如车辆检测等。