行人检测是计算机视觉领域的重要问题,相关技术已在很多方面广泛应用,如无人驾驶,智能视频监控等。训练有效的行人检测模型通常依赖大量标注样本,而在实际应用场景中,人工标注训练样本需要浪费大量人力物力;另一方面,公共标准数据集训练的检测模型应用于实际场景时,其检测性能通常会显著下降。因此本文关注在半监督设定下的行人检测问题,即充分利用少量人工标注样本和大量无标注样本有效提升行人检测模型在实际场景中的检测性能。本文首先改进候选区域生成网络,通过引入一致性正则项来约束相邻两个候选窗口的特征表达,从而提高网络的鲁棒性。其次,改进的候选区域生成网络在少量人工标注数据上进行训练,得到行人检测初始模型。为了扩充标注数据,将初始检测模型应用于无标注数据,收集具有高置信度的检测结果作为伪标注样本。另外,针对高置信度候选样本中的不同错误类型,设计一个显著性分析的验证模型,有效评估候选样本中前景区域的分布,从而可以进一步提升伪标注样本质量。最后,将过滤后的伪标注样本用于训练数据扩充,重新训练改进后的候选区域生成网络。我们认为一致性正则项能提高候选区域生成网络泛化能力;基于显著性分析的验证模型能够提高伪标注样本质量,有效地控制错误传播;基于自步学习的训练框架能够逐步扩充数据集,最终提升实际场景下的检测性能。本文也在多个行人检测标准数据集上充分验证各项改进措施的有效性,并对比当前最新的半监督行人检测方法。