国家为了减少不必要原因带来的受伤和死亡率,一直倡导广大人民文明出行,但仍有一部分的人和车在通过人行横道时,出现闯红灯的行为。行人与车辆在目标检测领域中已成为焦点,并且目标检测在交通,智能监控和车辆辅助的驾驶中应用广泛。在目标检测算法中,YOLO V5算法在行人检测领域是最先进的算法之一。因此,针对这一问题,研究一套行人和车辆闯红灯检测的系统尤为必要。本文利用深度学习的YOLO V5算法与和Deep Sort相结合,做出行人闯红灯检测。具体工作概述如下:（1）首先,本文详尽地描述了目标检测中涉及到的卷积神经网络理论知识和YOLO系列的算法,为本项目挑选YOLO V5网络结构作为行人闯红灯检测的开发奠定了基础。（2）其次,本文大致描述了基础深度学习的网络框架CNN,并描述了由CNN演变出来的具有速度更快,提取特征更好的网络结构AlexNet,VGG和RestNet,并描述了网络优化训练方法。同时描述了YOLO的大体结构和YOLO V5的详细结构,描述了每个功能模块的优点。用COCO数据集对各个主流目标检测算法进行了测试,首先用YOLO V3和传统算法对比,得出YOLO V3算法表现更好,接着用YOLO V3,V4,V5对比,其中YOLO V5表现力更好。（3）接着,改进YOLO V5网络,在头部增加了Retinex去雾图像增强算法,并把Backbone端的自适应描框改为直接进行二次下采样提取特征,轻量代码,提高了夜晚和下雨等因天气原因造成的图片模糊,更改了结尾输出参数数量,由原模型的80种改为5种,使得该程序在配置低下也可成功运行。并单独用非正常天气图片数据进行了测试,其中准确率为94%,召回率为90%,m AP为80.27%,FPS为19优于传统模型。增加了Deep Sort算法对行人进行跟踪,防止相同行人闯红灯因为长时间遮挡而被识别为另一个人。（4）最后,做出完整项目,描述了各个功能模块的原理,完成了检测行人闯红灯的项目,对项目进行了总结并展望了未来。本项目致力于做出一个代码轻量,在不同天气下使行人识别率更高的项目模块,并可以应用在实际的项目。