在计算机视觉领域,行人检测处于一个非常重要的地位,在近几十年得到了广泛研究。深度学习时代,卷积神经网络行人检测算法成为主流,其中基于关键点的卷积神经网络行人检测算法,是目前的研究热点,已取得丰富的研究成果,有效促进行人检测算法发展。然而,面向复杂场景应用,在检测准确率、检测速度、检测计算量等方面,仍然存在一些不足,如何在提升精度的同时兼顾实时性,仍是当前行人检测算法要改进的主要问题。针对当前行人检测方法实时性和精度不能同时很好兼顾的问题,采用文献分析法、理论分析法、实证研究法、定量和定性分析法等方法,设计出一种基于关键点的卷积神经网络行人检测算法,其目标是改进检测精度和模型运行速度不均衡的问题。主要研究工作以及创新成果如下。（1）设计基于关键点的卷积神经网络行人检测算法。在大量阅读、查阅行人检测文献后,利用卷积神经网络提取特征更充分、更全面,并且基于关键点方法在实时性方面更有优势的这两个特点,提出了基于关键点的卷积神经网络行人检测算法。（2）提出多尺度空洞残差模块。扩大感受野获取更深的信息特征,提高信息特征的空间灵敏度,使输出特征图的分辨率得到提升。同时模块大多采用小型卷积和非对称卷积,可以降低计算参数,进而降低计算量。（3）设计联合注意力融合机制。充分考虑通道和空间联合信息特征相互依赖关系,解决信息特征上下文融合和初始特征整合问题。进一步从低级语义信息中获取更感兴趣的行人信息,去除背景信息,增强人体部位信息,对不同特征加以区分,从而提高检测精度。（4）添加通道注意力引导掩模检测分支。从检测器中提取预测框,预测每个感兴趣区域上的行人掩模。其中通道注意力模块帮助掩模分支关注有意义的像素,抑制无信息的像素,充分结合全局上下文信息,预测感兴趣的行人区域,促进检测精度提升。为验证算法的有效性,在Caltech和City Persons数据集上进行定量实验。我们的算法与经典算法和主流算法作对比,都取得了具有竞争力的结果。对于City Persons数据集,在理想和重度遮挡状态下,最低漏检率MR-2为9.04%和40.41%,分别比次优的对比方法改善了0.36%和3.89%,实时性也达到了最优的结果。证明算法中添加多尺度空洞残差模块、联合注意力融合机制和通道注意力引导掩模检测分支,对实时性和精度兼顾问题有很好的改进效果,验证了算法的有效性和可靠性。