随着互联网的发展,人们的生产和生活方式在发生着翻天覆地的变化,智能化的发展也越来越迅速。扫码支付、无人驾驶汽车、无人监考、智能监控等已经应用于人们的生产和生活。因此,基于机器视觉的行人检测具有重要的现实意义和应用前景。针对行人检测中利用SSD算法不易训练、检测精度低等问题,本文探索出相关改进方法,提升检测效果。传统的行人检测方法主要是在HOG特征、Haar特征和LBP特征的基础上进行的,提取这些特征后结合SVM和Adaboost算法对目标区域进行分类,完成行人检测,这样的方法虽然有效,但是对于复杂场景的行人检测问题就略有劣势。基于卷积神经网络的行人检测方法对此有了很大的改进,本文基于Alexnet网络在Cifar10数据集上对Sigmoid、Re LU、ELU、Se LU、Swish激活函数进行验证仿真,并对训练和测试的误差、精度进行评估。实验表明:Swish激活函数的整体性能要优于其他几种激活函数。然后在Cifar10数据集上比较了几种经典卷积神经网络的图片分类模型,并从实际检测结果对其进行分析,并在VOC 2007数据集上对R-CNN、Fast R-CNN、Faster R-CNN、SSD进行验证,比较相关性能指标。最后,针对现有算法的不足提出两种改进方法。为了让网络模型更快收敛,提高其检测精度,用底层卷积网络中表现较好的Densenet模型,改进原SSD网络中的VGG16模型,以Dense Net作为SSD的基础网络,并在其后添加四层卷积层构建Dense＿SSD网络。为充分利用不同深度卷积层的信息,取新建网络的后四层和Dense Net中最后两个Dense＿Block来提取目标框。进一步,由于在Alexnet中,Swish激活函数以其独特的非单调性,可以让网络加速收敛,更加容易训练,在激活函数中表现较好,因此,对原Densenet模型,用Swish激活函数来进行卷积网络中的相关非线性变换构建Dense＿Swish模型,以提高网络性能,加快网络的收敛速度,提高网络的检测精度。实验表明:与其他算法相比本文提出的两种方法都有一定的优越性,对于不同场景下行人目标检测具有更强的鲁棒性,为行人检测算法提供了参考价值。