行人检测作为目标检测领域一项重要的应用,在自动驾驶、视频监控、刑事侦查等诸多领域受到广泛关注。具有很高的实用性,是人们研究的热点。随着深度学习技术的飞速发展和应用,行人检测已经取得了很大的进展。但是现有的行人检测算法仍存在一些问题。在面对多尺度目标行人、密集人群遮挡时很容易发生误检漏检情况,影响检测精度。针对上述问题,本文对Efficient Det算法进行了改进。首先在主干网络Efficient Net中,舍弃了其中一部分在训练早期影响模型训练速度的深度可分离卷积,替换为普通的卷积。同时引进了Mish激活函数,加快了模型的训练速度,减小了对内存的占用。其次,本文提出了一种新的特征金字塔网络Skip-Bi FPN。在双向加权特征金字塔网络Bi FPN的基础上,增加了跨层数据流,进一步融合了不同大小目标的语义信息和位置信息。面对复杂环境,网络可以更好的检测尺寸差异较大的目标。最后在传统的NMS非极大值抑制后处理方法中引入Distance-Io U计算方式,通过参考中心点距离更好的处理候选框之间的抑制问题,从而有效解决目标遮挡问题。本文使用VOC 2012数据集,从中提取带有行人标签的图片进行训练,并使用Mosaic在线数据增强方法,将四张图片根据比例裁剪成一张新的图片,送入网络中,丰富了图片的背景信息。大量实验结果表明,本文基于Efficient Det改进的算法在D0版本得到了84.98%的m AP精度,相比改进前提升了2.31%,训练速度提升了15%。改进的每个模块都有一定的性能提升。改进后的算法与其他目标检测算法相比,本文提出的方法效果更好,性能更佳。有效的提高了多尺度目标检测精度,减少了目标背景遮挡严重导致的漏检情况发生。