随着人工智能科学的发展,无人驾驶汽车已经成为当今世界的研究热点之一。作为无人驾驶汽车系统环境感知模块的重要组成部分,行人检测也越来越受到人们的重视。本文研究无人驾驶场景下基于深度卷积神经网络的行人检测算法,针对多尺度检测、夜间检测和数据增广三个方面展开了相关研究,主要研究内容如下:1)提出了一种基于多尺度分类的行人检测算法。直观上,不同尺度行人的特征有明显的差异,单个分类器很难同时将不同尺度的行人与背景区分开来。因此,本文设计了一种多流分类回归器分别处理大尺度候选框和小尺度候选框的特征。另外,采用两个辅助监督平衡不同尺度候选框对反向传播的影响。在City Persons、Caltech和ETH数据集上的实验结果表明,该算法相比于基准方法检测性能有所提升,尤其是在小目标上提升显著。值得一提的是,该算法在提升性能的同时还降低了计算成本。2)提出了基于局部图像增强的夜间行人检测算法。现有的多数行人检测算法都面向白天场景,而在夜间数据集上泛化能力较差。在夜间场景中,不同光照区域的行人特征存在明显的差异。解决该问题的一种有效手段是通过对图像中的行人区域进行局部图像增强,提高行人外观特征的辨识度且减小不同行人之间的差异性。因此,本文分别从图像和特征的角度引入图像增强模块以辅助夜间行人检测。首先,本文提出了一种基于行人重分类网络的夜间行人检测算法。该算法根据初始检测网络的检测结果从图像中裁剪出对应的图像块,并使用局部图像增强处理图像块,而后使用分类模块重新估计图像块的置信度。其次,本文提出了一种基于特征变换的夜间行人检测算法。该算法根据标注的行人边界框对行人区域进行局部图像增强,并利用增强后的图像训练教师模型,而后用教师模型引导学生模型对原始夜间图像进行训练,使学生模型提取的行人特征逼近教师模型,具有更强的鲁棒性。在ECP数据集上的实验结果表明,本文提出的两种算法均优于基准方法。3)提出了一种基于分割掩码的行人数据增广方法。现有的行人检测数据集中有很多背景图像不包含有效的行人样本,若利用这些图像训练模型,则在训练过程会出现严重的正负样本不均衡问题。若在训练阶段过滤背景图像,则导致训练数据量减少、数据多样性降低。本文设计了一种数据增广方法,该方法根据标注的行人分割掩码裁剪出对应行人样本,并依据训练集中行人样本位置和高度的分布规律,将行人样本与背景图像重新组合生成新的图像。该方法可以增加训练数据量,并显著提高训练数据的多样性。在City Persons数据集上的实验结果验证了该方法的有效性。