近年来,目标检测是计算机视觉和人工智能领域的研究热点。行人检测作为目标检测的重要分支,在自动驾驶安全、智能安防和智能机器人等领域中得到广泛应用。但行人作为易形变目标,且由于行人着装千差万别,行人之间相互遮挡或被其他物体遮挡,行人姿态多样化,场景背景的多样化,光照强度不一等因素导致其检测精度不高,制约着行人检测技术的发展。本文主要的目的是进行行人检测方法研究,主要研究了无遮挡以及局部遮挡条件下的行人检测方法,在对行人检测相关内容充分调研后,主要研究内容和贡献如下:（1）针对HOG特征不具备旋转不变形,不能很好的表征行人内部纹理信息,导致行人检测效果不理想的问题,本文提出了一种基于HOG和分块LBP特征（MULBP）融合的行人检测方法。HOG特征描述行人的形状和轮廓信息,MULBP特征用来描述行人的纹理信息,两者结合能够更好的表征行人信息。但是融合后的特征维度过高,检测的泛化能力有所减弱,由此本文引入了 PCA,利用PCA对融合后的特征进行降维,提取本质表达信息,去除冗余信息,提高了检测效果。在INRIA测试集上进行了对比分析实验,验证了基于PCA降维的特征融合方法的有效性。（2）针对存在部分遮挡的行人图像,原始的DPM检测方法因为遮挡影响滤波器在相应位置上的得分,导致检测位置出现偏差或目标被漏检的情况,本文提出了一种基于部件得分加权的改进DPM方法。通过为不同的部件分配不同的权重,扩大了作用程度较大滤波器的比重,调低了作用程度较小滤波器的比重,以此来调节检测的得分值。在手工构建的遮挡数据集ETHINOCC上进行了对比实验,验证了基于部件得分加权的DPM方法对于局部遮挡行人图像检测的有效性。（3）针对SSD中小目标及遮挡目标漏检率较高的问题,本文提出了一种基于上下文信息的改进SSD行人检测方法,通过引出SSD卷积网络中浅层特征,把卷积层中的浅层语义信息与深层语义信息相融合后再检测,并针对行人在图像中的尺寸特点重新设计了不同宽高比的预选框。在遮挡数据集中的实验表明,改进SSD模型检测效果优于标准SSD模型,改进SSD方法能够降低局部遮挡行人和小目标行人的漏检率。