行人检测是计算机视觉领域中的热门问题,应用范围广泛,是自动驾驶,智能监控等技术的基础。随着深度学习的发展,行人检测的精度有了很大提高,但在拥挤场景下进行行人检测仍存在困难,主要有两个难点,一是行人之间的相似度高,而目前基于深度学习的目标检测模型注重提取的是整体特征,这样会导致模型很难区分高度重叠的行人,模型可能会在重叠区域给出许多误检。二是对预测框的后处理方式存在限制,如Faster R-CNN,YOLOV3等目标检测框架都是在特征图上进行采样从而生成密集的预测框,对于大量的预测框都是采用NMS（非最大值抑制,Non Maximum Suppression）来进行筛选,但应用于拥挤场景下时NMS阈值设置过低会产生大量的漏检,NMS阈值设置过高又会产生大量的误检。而目前常见的拥挤行人检测方法往往只针对一个难点做改进,因此,本文提出改进的Mask R-CNN网络来同时处理两个难点,主要做了以下三点工作:（1）提出了SFPN（Segmentation with Feature Pyramid Network）模块来预测行人的语义分割图从而加强检测网络对拥挤行人的边缘特征提取能力。（2）联合行人检测数据集中头部标注框和身体标注框构建更精细的伪语义分割标签。（3）设计了根据人体关键点估计图像中行人可见度的有效规则,只将行人密度较高的检测图像构造掩膜后重新输入网络获得被遮挡的行人,不用仔细考虑NMS阈值设置问题,绕过NMS存在的限制,并在时间上相比给所有待检测图像构造二值掩膜的方法有速度优势。在CrowdHuman与WiderPerson两个拥挤场景行人检测数据集上进行了实验,通过与其他方法对比和做消融实验验证了本文改进Mask R-CNN网络的有效性,在拥挤场景行人检测的丢失率和准确率上都优于其他流行方法。