行人检测是计算机视觉方面备受关注的研究课题,在公共安全、场景监控、和交通运营等许多场合具有广泛的应用。传统的行人检测方法,大多采用人工设计的图像特征描述人体特征,例如梯度、纹理、边缘等,在将图像中的前景物体和背景分离的基础上,用建立好的人体模型在待检测的图像进行特征匹配实现行人检测。但这类方法通常实现比较复杂,并且容易受到环境因素和行人自身形态变化的影响。特别是,人工设计的特征很难适应复杂的动态变化的场景,在实际应用中行人检测效果不理想。近几年兴起的深度学习理论,给许多计算机视觉问题提供了新的思路。尤其是,深度卷积神经网络在许多识别和分类的应用上表现出了优异的性能。一些研究者开始关注深度卷积神经网络在行人检测方面的应用。与人工设计的特征相比,基于数据训练的深度卷积神经网络能更好地表达人体特征,从而提升了行人检测的精度。行人检测中的目标遮挡问题一直是影响行人检测精确度的重要因素。研究者提出了许多处理行人遮挡问题的应对方法,但效果并不理想。针对行人检测中的目标遮挡问题,本文提出了一种基于连续帧的卷积神经网络的行人检测方法,该方法利用连续帧卷积神经网络提取视频序列的时间和空间特征,用于提高遮挡行人检测的能力。同时,考虑行人检测结果在时间上的连续性,本文将目标跟踪的思想引入行人检测方法,通过目标跟踪算法生成行人位置的预测,以此重新评估行人检测结果,从而减少了行人漏检的错误。为了测试本文提出的方法,在Caltech Pedestrian Detection Benchmark行人数据库和Visual Tracker Benchmark行人数据库上的进行了行人检测实验。实验结果表明,相对于单张图片的行人检测方法,本文的方法能够更好地处理行人遮挡问题,有助于提升行人检测的精度。