随着卷积神经网络的发展,深度学习模型将行人检测效果推到了前所未有的水平。但是网络模型的参数过大会造成信息过载问题,并且伪行人目标的存在会降低行人检测的精确率与准确率。本文针对卷积神经网络参数量过多的问题,引入注意力机制改进网络结构,在提高检测精度的同时压缩了模型的参数量。并针对现有行人检测算法对伪行人目标无法区分的问题,根据人眼立体视觉原理对真伪行人进行区分。本文具体研究内容与创新点包括:（1）首先在基于深度学习的行人检测算法中优选出单阶段的YOLOv5系列行人检测算法,并且在确保检测精度的情况下优选出检测速度最快、参数量最小的YOLOv5s作为本文行人检测算法改进的基础;接着结合CA注意力机制对YOLOv5s进行改进,提出了一种改进的CA-YOLOv5s行人检测算法,使用新型CA注意力模块替代其骨干网络中最后一层的C3模块;然后根据实验中的行人特性采集行人数据集,对公共数据集进行行人目标多样性补充。改进后的行人检测算法不仅提高了行人检测的精度和速度,而且减少了网络模型的参数量。（2）充分利用人类大脑视觉中枢对双眼信息进行立体融合产生立体视觉从而实现真伪行人识别的机制,提出了一种基于人眼立体视觉原理的真伪行人识别仿生模型及方法。首先利用双目立体相机采集行人目标的双视点图像;接着对左、右视图分别通过所改进的CA-YOLOv5s行人检测算法获得各自的行人检测输出;然后对左、右视图的行人检测输出进行立体匹配获得该行人目标的特征点集合,运用张正友标定法得到特征点集合的三维空间坐标;最后采用RANSAC平面拟合算法提取特征点集合的三维特征,利用支持向量机（Support Vector Machine,SVM）进行训练并实现真伪行人识别。所提出的基于人眼立体视觉的真伪行人识别方法有效解决了现有行人检测算法中尚未解决的伪行人识别问题,有效提高了真伪行人识别的精确度与准确率。实验结果表明,本文所提出的改进的CA-YOLOv5s行人检测算法在提高行人检测算法各种检测指标的同时,还减少了YOLOv5s网络模型的参数量;本文所提出的基于人眼立体视觉的真伪行人识别方法,能够准确对伪行人目标进行识别。对比实验结果表明,本文所提出的基于人眼立体视觉的CA-YOLOv5s真伪行人识别方法对于同时含有真伪行人目标的特定测试集中,真伪行人检测的精确度与准确率明显优于现有其它行人检测算法。