行人检测,即首先判断目标图片或者视频里面是否包含行人,如果包含行人,将行人在图片和视频中出现的位置用矩形框标定出来。行人检测和多目标检测已经成为当前计算机视觉研究的重要课题,同时在实际生活中的很多领域有着良好的应用前景,包括:智能交通,无人驾驶等。近些年,随着人工智能的发展,神经网络模型被广泛地应用到计算机视觉领域,并取得了不错的结果。因此,本文采用深度卷积神经网络和支持向量机(Support Vector Machine,SVM)相结合的方法来研究行人检测。本论文的主要工作如下:首先,制作数据集,设计网络结构,训练一个专门用于行人分类的深度卷积神经网络:PedConvNet。经过训练,该网络最终在测试集上的准确率达到了91%。其次,构造候选框生成网络,该网络的主要功能是在输入图片中,产生可能出现行人的候选框。为了设计出更精确的候选框生成网络,我们分别选取了基于AlexNet的候选框生成网络,基于PedConvNet的候选框生成网络和基于VggNet的候选框生成网络去作对比实验,实验结果表明,基于VggNet的候选框生成网络能产生更精确的候选框。然后,为了让提取到的卷积特征在SVM分类器里面有更强的区分性,表现出更好的检测性能,我们分别提取了VggNet和PedConv Net网络的全部卷积特征作对比实验,实验表明PedConvNe提取到的卷积特征比VggNet的卷积特征更适合行人分类,同时网络的深层卷积特征比浅层特征表现出更好的区分性能,并且网络特征的可视化也证实了这一观点。最后,在Caltech测试集上,本论文提出的模型在“reasonable”场景和“near”场景下的漏检率分别达到了9.1%和1.26%,从而验证了模型的有效性。