行人检测是计算机视觉中一个重要而又具有挑战性的问题。它基于目标检测,用于准确预测行人在图像中的位置并估计其大小,既可以作为前期处理应用在行人重识别、姿态估计、关键点检测等科学研究领域,又能在应急管理、无人驾驶等实际场景中发挥重大的作用。因此,行人检测研究具有十分重要的意义,同时也极具挑战性。在摄像头捕捉到的不同场景图片中,由于背景复杂、人群密集、行人尺度不一、姿态各异等问题,准确定位尺寸不同、分布随机的行人颇具难度。针对常规检测器在行人多尺度、行人遮挡问题中的欠佳表现,本文由高性能的CSP（Center and Scale Prediction）行人检测器出发,提出了一种密集场景下的多尺度行人检测方法,进一步提升了算法检测质量。本文首先分析了多尺度问题给行人检测带来的困难,然后提出一种融合多尺度信息的高分辨率特征提取网络。该新型网络能够使行人检测器在前期提取到更丰富、更有效的多尺度行人特征,这有利于检测器后期准确区分行人和非行人,并获取更加精确的位置和尺寸预测,从而提高检测算法对各尺度行人的检测结果质量。另外,基于各通道关注的行人尺度特征不同这个假设,本文在特征提取网络中融合通道选择机制,利用其自适应聚合不同通道信息的特性,获取更具有代表性的行人特征,进一步改善多尺度行人的检测效果。同时,本文针对密集场景中遮挡程度较高的行人,提出结合头部预测的密集匹配与筛选方法。该算法将网络预测得到的头部框和全身框进行匹配,并利用匹配结果矫正用于抑制冗余框的后续筛选过程,有效减少了全身框检测过程中行人相互遮挡造成的漏检,以及密集场景下行人定位不准确造成的错检。经实验验证,本文提出的精确特征提取网络和结合头部预测的密集匹配与筛选算法能够在CSP检测器或其他检测算法的基础上,进一步提升多尺度行人检测性能,有效缓解密集场景下的错检漏检问题,具有良好的应用价值。