近年来,行人检测技术在智能监控、智能驾驶和智能机器人等领域都有着十分广泛的应用。行人检测技术是指通过算法在指定的图像中定位到行人目标并框选出具体的位置与范围,为后续工作的开展起到前置预处理作用的技术。然而,图片与视频中的行人目标因拍摄角度不同、行人姿态各异以及存在一定的遮挡,导致YOLOv3算法对于这类目标的特征提取能力不足;同时YOLOv3算法对行人目标的特征信息融合不充分,这些问题都给行人检测带来了一定难度。针对上述问题,提出了改进的YOLOv3算法,提高了行人检测的准确性。主要的研究工作包括:（1）针对YOLOv3特征提取网络提取能力不足,使得部分行人目标出现漏检现象的问题,提出了改进的ECA-Res2Net-YOLO模型。首先,使用分层残差结构Res2Net来代替原始YOLOv3特征提取网络的DBL结构。在降低了模型复杂度的同时,增强了多尺度的特征提取能力。其次,引入高效通道注意力机制ECA来捕获相邻通道特征的依赖关系,增强网络对于行人目标的关注程度。最后,我们在Res2Net模块中的1×1卷积后嵌入高效通道注意力ECA,对经过分组与通道拼接后的特征进行重新关联。ECA模块对Res2Net提取后的特征进行了重新的通道权重加权,以此来着重关注有用的行人特征并抑制无用特征。同时,基于此模块改进了YOLOv3的特征提取网络。通过在VOC行人数据集与扩充的KITTI数据集上的实验结果表明,ECA-Res2Net-YOLO在召回率与平均精度方面都高于其他行人检测算法,召回率分别为87.6%与69.6%,平均精度分别为85.5%与70.9%。同时在模型计算复杂度与模型参数量方面相较于原始YOLOv3都有较为明显的下降,检测速度达到27 FPS。在保持检测精度的同时,兼具模型实时性的要求。（2）针对多次下采样与卷积可能导致小目标特征信息丢失,YOLOv3特征融合网络特征融合不充分等问题,提出了一种改进的YOLOv3特征融合网络。首先提出了一种改进的空间金字塔池化结构DSPP模块,该模块借鉴了空间金字塔池化与密集连接的思想,在最大池化层后接入1×1卷积来对提取的特征进行整合;同时拥有大池化核的池化层的输入不仅包含原始输入,还包含了小池化核的池化层经过1×1卷积整合后的输出。经过改进的空间金字塔池化结构DSPP模块,增强了特征的表达能力,有效地解决深层网络出现的特征丢失问题。其次,借鉴Bi FPN思想来改进YOLOv3特征融合网络。在FPN结构的基础上构造了双向的特征融合通道,对于提取到的浅层与深层特征进行充分融合;同时对于多次使用到的F4层特征,在F4层特征的同一层增加一条横向的跳跃连接,使网络能够重复利用提取到的F4层特征,使得获得的特征图语义更加充分。最后,在所用实验数据集上进行实验,并与其他行人检测算法进行对比。实验结果表明,改进特征融合网络的YOLOv3模型能够有效地提高行人检测的精度。