随着互联网、物联网、云计算等高新技术的快速发展,信息社会已经步入大数据时代。基于人工智能的数据处理方法在大数据时代具有优越性。行人检测是人工智能方法在视频大数据中的典型应用,其在视频监控、智能交通、机器人、自动驾驶等领域有广泛的应用,也是计算机视觉和模式识别领域中的重要研究方向。行人的身材、姿势、衣着和视角变化极大,光照变化、背景复杂以及摄像头自身的移动和晃动,都提升了行人检测问题的难度。近十年来研究人员主要采用了基于统计分类的方法,此类方法通过提取人体的各种特征,然后利用模式识别的方法进行分类。此类方法有效解决了行人检测中的诸多难点问题。然而,如何在背景复杂的场景下进行行人检测,解决小尺度行人检测和复杂背景误检一直是该领域的难点问题,该研究课题具有重要的研究意义与应用价值。针对该场景中存在小尺度行人以及复杂背景导致检测遗漏、出错的问题,文本提出一种基于多尺度深度残差网络的行人检测算法。首先,在整个行人检测系统中,运用深度残差网络构建行人检测模型,确保对行人特征进行精确描述;其次,在共享残差层后面设计浅层残差层、中层残差层和深层残差层,分别用于描述适合于小尺度行人、中尺度行人和大尺度行人的特征图;接着,设计多尺度目标提议网络,进行多尺度候选区提议,剔除了大量干扰背景,减少了检测代价,节省了计算时间;最后,设计多尺度目标检测网络,在候选区汇聚层中的特征图进行多尺度目标检测,增强了算法对小尺度行人的检测效果,提升了算法的检测精度。论文在INRIA和KITTI等公开数据集上对算法进行了测试。实验结果表明,该方法提高了当前流行算法对小尺度行人的检测精度,提升了算法的整体性能,增强了算法的鲁棒性。