在汽车辅助驾驶系统和安防监控等领域中,对行人目标的检测至关重要。基于可见光的视频和图像在照明不足的环境下,成像质量差,大量有效信息被破坏,难以有效识别行人目标。与可见光相比,红外成像反映的是热辐射率不同的场景目标表面温度分布差异,不依赖环境的光照条件。在黑夜、雨天等视线不好的环境中也能有效成像,适用范围广,因此基于红外图像的行人目标检测算法具有良好的应用前景。行人目标动作多样,随机性强,外观模式复杂多变,尺度不一,且相比可见光,红外图像中行人缺少色彩信息,纹理信息较少,特征可区分度不高,为行人目标检测算法设计带来困难。综上,基于红外图像的行人检测算法仍有研究价值和提升空间。本文方法基于深度学习网络,针对道路上行人目标,对单发多框检测器(Single Shot multibox Detector,SSD)算法做出改进,主要工作如下:(1)改进特征提取网络。使用扩张通道卷积方法将不同感受野的特征聚合,加强卷积网络特征提取能力,利用改进的基础网络搭建I-SSD红外图像行人检测网络,设计网络连接方式和参数,提升了网络对行人的检测能力。(2)在网络中添加特征通道权重重标定模块,通过整个网络端到端训练,学习建模不同特征通道间依赖关系,计算不同特征层的重要性权重,提升对行人目标检测更能发挥作用的特征层的权重;使用聚类算法对行人目标框进行分析,根据分析结果设定网络默认框参数,提升网络对行人目标的针对性。构建IS-SSD网络,进一步提升网络的检测效果。(3)在实验平台上实现本文提出的检测算法,基于自建红外图像数据集测试不同算法,比较不同算法性能。本文提出的IS-SSD算法的查准率与查全率相对原SSD算法分别提升3.43%和4.27%.对比实验和测试结果表明,本文提出的红外图像行人检测算法具有较高的查准查全率,可以满足实际应用需求。