在视频智能监控、辅助驾驶等领域,行人检测技术一直是研究的热点。在视频智能监控中,需要对行人进行轨迹跟踪、行为模式分析等,其前提就是要基于视频信息准确地检测出行人。在辅助驾驶、自动驾驶领域,行人是首先需要关注的识别目标,基于车载视频的行人检测技术越来越受到人们的重视,但基于车载视频的行人检测技术也存在着巨大的挑战,比如背景实时变化、行人形态各异、光线强弱多样等。行人检测算法的核心是行人特征的提取,行人特征包括人工设定的特征和基于深度学习的特征。人工设定特征的优点是简单直接,如梯度方向直方图特征、颜色通道自相似特征等,但不易定义快速鲁棒的特征,且其特征描述能力有限,检测精度不高。近年来,基于深度学习的特征提取方法越来越受到人们的关注,其特征描述能力强,分类准确率高,但其模型设计复杂,训练时间长,易出现过拟合现象。本文提出的基于深度神经网络的行人检测算法将人工设定的特征和深度学习方法进行结合,充分了利用后者网络模型特征描述能力强的优势,提高了检测的精度。此外,在区域分割部分,本文在局部去相关通道特征算法的基础上增加了基于几何约束条件的检测盒筛选过程,有效降低了候选窗口的数量;在目标识别部分,本文优化了卷积神经网络的激励函数,提升了网络参数的收敛效果。本文使用CUDA对算法进行了GPU的加速,提高了算法的效率。通过对本文提出的行人检测算法进行分析和实验,并将实验结果与其它常用的检测算法相比较,可发现,本文的算法误检率低,检测精度高。