行人检测在自动驾驶等领域有广泛应用,但是因为标注数据的成本较高,半监督行人检测算法的研究因此被提出。本文对半监督行人检测算法进行了研究,并提出基于图像生成来扩充行人检测数据,提高半监督行人检测算法的性能,包括以下方法:（1）从外部场景收集数据,但会存在两个问题:一、用风格不一致的外部场景的数据训练模型,模型最后在目标场景下测试时会产生偏差;二、外部场景的数据没有标注,图像中的行人可能未对齐。因此本文提出了场景自适应和内容实例调整模型（Scene-Adaptive and Content-based Instance Modification,SACIM）,通过风格迁移模块和内容调整模块得到高质量的外部场景行人图像,用于训练分类器,筛选伪标注,得到更好的行人检测模型。（2）生成行人图像能够覆盖行人检测中未出现的新样本,提高半监督行人检测的性能。为了生成更丰富多样的行人样本,本文提出半监督分层正则化生成对抗网络（Hierarchical Regularized Generative Adversarial Network,Hi R-GAN）,实现可控的行人生成。生成行人使分类器保留下质量更高的伪标注,最后重新训练行人检测模型,为行人生成和检测的效果带来可观的增益。（3）本文还提出了语义自适应多尺度半监督行人生成与检测模型（Sematic Adaptive Multi-scale Semi-supervised Pedestrian Generation and Detection,SAMPed）,生成的图像用于辅助半监督行人检测,并针对伪标注的位置进行数据扩充。为了适配行人检测中大小不同的行人,本文还采用多尺度生成模块生成行人,并以行人掩码分割行人前景,填补进伪标注框中,减少伪标注的误差。本文通过在多个数据集上的实验,证明了所提出方法的在不同情况下的效果均超越以往的半监督行人检测算法。