随着社会经济的高速发展,人们对智能化的需求越来越强烈,例如智能化交通、智能化监控等,而行人检测作为至关重要的一环,时刻影响着人们的生活。近年来深度学习在许多领域如检测、分割等领域迅速崛起,为行人检测任务提供了新思路。行人检测是指使用矩形框和置信度找出图像中的所有行人,目前仍存在行人相互遮挡、模糊不清晰、尺寸不一等问题。因此本文利用深度学习中的卷积神经网络,针对性地解决上述一系列问题。1)提出了融合密度和精细分数的DC-CSP方法,包括C-CSP、D-CSP以及DC-CSP。首先针对置信度不精确的问题提出C-CSP,即在CSP网络的基础上设计添加分类器模块,并利用不同模块对分数预测结果的互补性质,设计SSF分数融合规则将检测分数进行更新,使得行人置信度升高并且背景置信度下降;其次针对相互遮挡行人漏检、单个行人错检等问题提出D-CSP,即在CSP网络的基础上设计添加密度图模块,并利用估计的行人密度图设计IAN后处理方法,对于相互遮挡行人提高交并比阈值,单个行人降低交并比阈值;最后将CSP网络与上述两个模块联合训练,并应用相应规则,构成DC-CSP方法。为进一步增强网络特征提取能力,更换Hourglass Network为主干骨架并重新进行相关实验。实验结果表明相比于其他方法,DC-CSP方法在多个行人数据库上均表现出最佳性能。2)为了进一步解决行人被其他物体遮挡导致漏检等其他问题,本文又提出了联合注意力机制与特征融合的AF-ALFNet方法,包括A-ALFNet、F-ALFNet以及AF-ALFNet。首先针对行人因其他物体遮挡导致的漏检问题提出A-ALFNet,即利用数据增强对行人进行选择性遮挡,并在ALFNet网络基础上设计添加注意力模块,使得网络着重学习因其他物体遮挡的行人;其次针对小尺度行人漏检的问题提出F-ALFNet,即在ALFNet网络基础上设计添加特征融合模块,获得结合上下文信息的特征图从而减少漏检;最后将ALFNet网络与上述两个模块联合训练,构成AF-ALFNet方法。为了获得更好的行人检测结果,我们将DC-CSP和AF-ALFNet方法的定位与分类信息进行了融合,实验结果表明在Citypersons数据库的各个子集上均有2%至3%的性能提升。综上所述,本文针对目前行人检测任务中存在的多种问题,先后提出了两种不同的检测方法,并将检测结果进行了合理地融合,有效地解决了漏检、错检以及置信度不精确等问题,具有很高的实际应用价值。