近年来,监控视频的自动化、智能化已经成为研究热点。对各种视觉任务中最常见的人体目标的检测成为计算机视觉研究的基础任务和关键技术之一,被广泛应用于智能视频监控、人机交互、车辆辅助驾驶等领域。实际场景中人体丰富的姿态大大增加了人体检测的难度。本文以深度学习SSD检测算法作为基础模型,通过改变算法的特征提取方式使得算法在增加较少时间复杂度的同时,有效提升人体检测的精度。具体的研究内容包括:(1)自建人体数据集。首先对获取的人体图像中人体目标使用人工方式进行标注,并使用k-means聚类的方法得到锚点框参数。然后分析自建数据集中人体目标的特点,将人体姿态定义为五种:直立、坐着、躺着、弯曲、遮挡。(2)针对SSD算法对自建数据集检测精度不高的问题,提出一种基于上下文融合的SSD改进算法。首先设计一种倒瓶颈结构并嵌入到SSD算法特征提取部分,增大下采样操作的特征提取空间,然后使用特征融合模块,将深层特征的语义信息添加到浅层富含细节信息的特征图上,增强特征表征能力。相比于SSD算法,该算法在检测性能上具有很大的优势。(3)针对人体目标姿态多样性以及遮挡的问题,同时从空间维度和通道维度出发,深入研究感受野和注意力机制的思想,提出一种基于特征增强的人体检测算法。首先设计一种引入注意力机制的上采样模块对深层特征重标定,并与浅层特征融合增强浅层特征的语义信息,然后使用多感受野融合模块进一步增强特征,提取一种更加鲁棒的特征来克服人体姿态的变化对检测效果的影响,从而提高人体检测的精度。实验表明,复杂场景下该算法可以检测到更多的人体目标,且定位更准确。