随着我国汽车保有量持续增长,行车安全问题日益严峻。车载热成像行人检测系统通过实时检测前方道路行人,警示驾驶员规避碰撞,进而有效减少人车碰撞事故。由于热成像图像颜色信息缺乏、目标细节及纹理不明显,且道路场景中的行人目标通常存在遮挡、热度分布不均、尺度差异大等现象的干扰,导致准确检测热成像图像中的行人目标难度较大。本文围绕热成像图像行人特点,对现有的行人检测算法展开研究,并提出优化方法。本文主要贡献包括:1)热成像图像中行人头部模式较为固定,提出基于头部特征点的车载热成像行人检测感兴趣区域(Region of Interests,Ro Is)提取算法。利用帧头部区域和前景区域约束头部特征点提取,提升头部特征点提取的精度和效率;设计高效的头部特征点Ro Is模型计算头部特征点生成Ro Is,并通过前景信息度量调整Ro Is,提升Ro Is定位准度;实验结果表明,所提方法在保证高实时性的前提下,覆盖率和召回率明显优于图像分割方法。2)车载热成像行人检测中存在样本分布不平衡和分类器效率较低的问题,提出基于HOG-XGBoost的车载热成像行人检测分类器优化方法。将Focal-Loss引入XGBoost训练过程,解决样本分布不平衡问题,提升分类器精度;设计基于嵌入式特征选择方法构造HOG特征提取模板,提升HOG特征提取速度,进而提升分类器效率;实验结果表明,所提方法构造的行人检测系统在各种场景下均能达到较高检测率。3)热成像图像中行人头部能够稳定表征行人,提出基于头部增强的深度学习车载热成像行人检测方法。设计头部特征点回归增强模块和头部区域分割增强模块,让网络充分学习行人头部与行人整体的语义关系,提升行人检测性能;设计自动生成头部标注的方法,使得在不具备手工精确头部标注的热成像数据集上也能有效训练所提检测方法;实验结果表明,所提检测方法在不增加任何时间开销的前提下能够有效提升检测性能。