行人检测是目标检测领域一门非常重要的技术,是行人重识别、行人跟踪、人体行为识别、行为预测和目标分类等相关技术的基础,随着深度学习和计算机技术的发展,现已逐渐应用在智能安防、智能交通和人机交互等领域,但由于行人自身存在较大的差异,外部环境多变,且在图像中人体所占比例很小,使得在实际的应用中并没有达到预期的效果,本文针对小目标行人检测精度不高的问题,主要研究内容如下:（1）针对传统的HOG特征在行人检测中稳定性不高的问题,小目标行人检测效果不理想,提出一种基于多级特征融合的行人检测方法,根据现有Haar特征的模版对HOG特征的提取形式进行改进,对其梯度计算方式进行调整,使它能够适应外部环境的变化,对小目标的刻画能力更强,利用改进的HOG特征与Haar特征进行融合,能够更好的表现行人信息,通过对不同场景下的图像进行测试和分析,验证了改进后的融合特征在一定程度上提高了对小目标行人的检测效果。（2）针对小目标行人尺度偏小的问题,在SSD网络的基础上提出一种基于自适应区域放大的行人检测方法,设计一种基于Kronecker的图像放大技术,将包含小目标行人的图像进行放大,增加行人被检测的几率,便于后期分类处理,同时为了减少因为区域放大带来的负担,通过学习高分辨率图像与低分辨率图像在检测中的差异,训练回归模型,根据响应图对图像进行有选择的区域放大,通过对INRIA数据集的比较分析,验证了该方法的有效性。（3）针对SSD网络中用于检测小目标行人的特征语义信息不强,难以检测尺度较小行人的问题,提出一种基于语义信息与尺度自适应的行人检测方法,利用图像语义分割结果作为辅助特征,激活原有的底层特征,使底层特征语义信息更强,此外现有锚框匹配机制不能很好的适应行人尺度,引入锚框回归模块,通过对检测出的行人尺度进行回归分析,使锚框逐步逼近真实情况,实验说明了该方法能有效提升小目标行人的检测精度。