在计算机视觉的应用场景中,目标检测有着举足轻重的地位和极高的研究价值。所谓目标检测,就是用闭合的矩形框在图像中标定出符合任务需求的物体,并且输出该物体是行人的概率值。目前,行人检测技术已经被广泛应用于自动驾驶,智能机器人以及智能城市等领域,兼具实际应用和学术研究的价值。本文对国内外广为流传的卷积神经网络做了深入研究,并且阐述了卷积神经网络的设计方法和优化准则。现如今,随着计算机硬件的研发技术的进步,计算机的运算能力被提升到了前所未有的高度,这直接促进了基于深度学习算法进行行人检测这一技术的落地。经过在大量的公开数据集上的实验表明:应用深度卷积神经网络的行人检测算法的工作性能远远超过传统的机器学习检测方法和另外的图像处理手段。在现实生活中,存在着许多干扰因素,比如光线太强或者过于阴暗,距离远以及云雨雪雾等不理想的天气状况,这些因素直接导致采集得到的图像或者视频效果不理想,导致漏检率的升高。针对以上问题,本文提出了一种基于改进Faster RCNN的行人检测方法,主要的研究工作如下:1.运用特征图可视化方法,能够对卷积神经网络的输出层有更明确的认识。我们研究了解到特征图的抽象能力会随着网络层数的加深而变大,语义信息的抽象能力也会越来越强,但是图像的细节信息丢失比较严重,空间几何特征的表征能力减小。浅层网络拥有较小的感受野,空间信息拥有较强的表达潜力,但是,像素数量级高,语义信息抽象能力弱。在本文中,将深层语义信息和浅层高分辨率特征进行融合,对行人目标的检测标准更严格。经过实验证明,基于多尺度特征融合的Faster RCNN行人检测方法在INRIA行人数据集上的MR值下降到10.08%,在City Persons行人数据集上的MR值下降到15.21%。2.对于基于深度卷积神经网络的行人检测任务,检测框架的参数量级直接影响检测任务的检测效率。在下文中,我们以Faster RCNN为模板,借鉴Squeeze-and-Excitation Networks网络（SENet）的设计规则,重新设计了检测框架的特征提取模块。SENet以其独特的特征结构,能够学习到每个特征通道能够发挥的作用的大小,以此来强化更重要的特征并且削弱对检测任务作用小的特征。借助这种“升强抑弱”的机制,能够提高整体框架的检测性能。更重要的是,使用SENet的Faster RCNN行人检测方法并没有增加整体的参数量级。经过实验证实,使用SENet的行人检测方法在City Persons数据集上的漏检率下降到13.14%,在INRIA数据集上的漏检率下降到10.20%。3.对于目前目标检测网络采用一种池化方法对于行人检测任务普遍存在的特征提取效果不好的问题,本章提出了融合增强池化方法的行人检测网络。结合多种池化方法,通过学习机制为不同的池化操作分配不同的权值,使得网络能够拟合各种特征信息并且准确的抽象出重要的检测信息,经过多个公开数据集上与目前流行的目标检测网络训练测试对比,证实了本章的方法在行人检测领域良好的检测效果和突破成果。