行人检测是机器视觉领域的一项重要研究课题,在智能交通、行人重识别、行为分析、智能机器人等场景中发挥着关键作用。为了准确、快速、稳定地检测各种场景下、各种姿态、各种尺寸的行人目标,众多行人检测算法相继提出。本文在前人工作的基础上,深入研究了多种基于视觉的行人检测方法,并提出了相应的改进方法,主要工作如下:首先,提出了一种基于选择搜索（Selective Search,SS）算法和可变形部件模型（Deformable Part Model,DPM）的行人检测方法。采用选择搜索算法提取候选区域,充分利用图像的颜色、纹理等多种特征信息,同时减少了大量冗余窗口,有效降低了计算量;使用可变形部件模型,对候选区域进行目标匹配,有效应对行人检测问题中的多视角以及目标形变问题;将行人目标各个部件的位置分布作为隐变量（Latent Variable）送入分类器训练,充分利用图像中的未标注信息。实验结果表明,该方法对不同视角、不同姿态的行人具备较好的鲁棒性,且一定程度上提升了检测速度。其次,提出了一种基于深度可分离卷积（Depthwise Separable Convolution,DSC）和SSD（Single Shot Multi Box Detector）算法的行人检测方法。使用Mobile Net作为基网络,并在检测端引入DSC模块,成倍减少了模型参数量和计算量,从而达到平衡检测精度与检测速度的目的;使用转置卷积进行上采样,使得模型更加关注浅层细节信息,从而弥补经典SSD算法对小尺寸行人检测效果不佳的缺失;另外,在检测中,使用K-Means算法对真值框进行聚类得到先验框尺寸,使得算法对行人目标更具针对性,进一步提升网络的整体检测性能。实验结果表明,该方法漏检率更低,对小尺寸行人的鲁棒性更好,且在模型大小、计算量及检测速度上都具备一定优势。最后,提出了一种基于轻量级卷积神经网络的行人检测方法。利用并行连接的思想搭建一个特征提取基网络Parallel Net,并在网络结构中使用Fire模块,减少模型参数,达到模型参数量与特征拟合能力间的平衡,同时有效缓解了因网络层数过深而带来的梯度消失等问题;使用卷积层直接进行检测,进一步减少了计算量;在训练过程中引入Focal Loss,以解决正负样本极度不均衡的问题,同时,借助L2正则以及数据增广技术避免过拟合问题。实验结果表明,该方法在检测精确度以及模型大小、计算量、检测速度等多方面取得了良好的平衡,且为基网络的构造提供了新的思路。