在行人检测领域,基于卷积神经网络的深度学习技术已经取得了比传统方法更好的检测性能。但随着深度卷积神经网络的迅速发展,检测模型的网络结构也愈加复杂,参数量和计算量快速增加。在计算资源有限的硬件设备部署行人检测模型时,如何在保证检测精度的条件下满足检测实时性的要求就成为亟需解决的问题。本文围绕基于锚框的单阶段行人检测方法展开研究,针对在计算资源有限的硬件设备实现行人检测任务所面临的实际问题,结合轻量化卷积神经网络、损失函数优化与图像注意力机制进行深入研究。主要研究内容和成果如下:（1）选择YOLOv5s作为行人检测基础模型,针对其参数量和计算量较大,在计算资源有限的边缘硬件上检测性能较弱的问题,对其进行轻量化。首先使用优化后的Shuffle Net v2替换其主干网络,然后使用剪枝、加和操作以及深度可分离卷积等方法对其颈部进行轻量化,最后使用行人数据集训练轻量化后的模型,得到了参数量和计算量都较低的轻量化行人检测模型。（2）针对轻量化行人检测模型精度下降较多的问题,使用一种损失函数优化方法对其进行改进。基于对Alpha-Io U损失函数的研究分析,结合CIo U损失函数的特性,提出p-CIo U损失函数。实验结果表明,在模型训练过程中使用p-CIo U损失函数可以有效提升高水平边界框的检测精度,同时不会增加模型的参数量和计算量,达到提升轻量化行人检测模型检测精度的目标。（3）针对轻量化行人检测模型精度下降较多的问题,使用注意力机制对其进行优化。首先研究了注意力机制的相关理论,然后对混洗注意力机制的特点进行了分析,最终选择将混洗注意力模块嵌入轻量化行人检测模型的主干网络中,并通过实验探索了相对较优的嵌入位置,达到了行人检测模型轻量化条件下提升检测精度的目标。（4）在移动端对行人检测方法进行部署并测试。首先对轻量化行人检测模型的权重参数文件的格式进行转换,使其满足在移动端设备部署的条件。然后利用NCNN前向计算框架与适合部署的行人检测模型,实现了安卓系统上的行人检测应用程序。最后在移动端设备上对该应用程序进行测试,验证了本文设计的轻量化行人检测模型可以较好地满足检测实时性的需求,具有较好的检测性能。