行人车辆检测在自动驾驶、增强现实、智慧安防、智能交通等诸多领域都有着广泛的应用,近年来受到学术界和工业界越来越多的关注。针对这一问题研究者们提出了很多有效的方法,但由于实际场景中经常出现光照变化、尺度变化、部分遮挡等不可控因素,行人车辆检测仍然是一个很有挑战性的问题,在精度上还有待提升,而且现有的方法模型复杂度普遍较高,速度上也无法满足实际应用的需求。本文对行人车辆检测进行了系统的分析和研究,改进和优化了现有的模型,提升了检测的精度和速度。本文的主要工作如下:(1)提出了一个端到端的分层全卷积神经网络——EFCN。为了降低模型前向传播的计算量,EFCN采用轻量级的深度神经网络MobileNet作为基网络。同时,为了解决实际场景中目标尺寸变化大的问题,EFCN使用同一个网络中不同分辨率的网络层对输入图像中不同大小的目标进行检测,并且在每一个预测层的顶端增加了一个优化模块,优化模块通过反卷积和跳跃连接将深度神经网络中包含目标细节的高分辨率特征层和包含目标高级语义信息的低分辨率特征层进行调制融合,构造出了对行人车辆具有鲁棒性的特征表达。本文在KITTI数据集上评测了 EFCN算法的性能,并且从检测精度,检测速度和模型大小三方面将我们的模型与当前主流的目标检测算法进行了对比,实验结果证明我们的模型在检测精度和检测速度之间取得了较好的平衡,EFCN在KITTI上能达到和FasterR-CNN相似甚至更好的检测精度,但是EFCN的检测速度比Faster R-CNN快了31倍,模型的参数量也比Faster R-CNN少了 25倍。(2)为了进一步提高EFCN算法的检测精度同时不降低算法的检测速度,我们在原有模型的基础上增加了物体性检测模块,利用物体性检测损失作为网络训练的目标函数之一,能够在学习到的特征层中引入前景与背景信息,对检测目标具有更好的表征能力。同时,利用物体性检测分数作为先验来引导目标物体的搜索,提前去除大量的背景样本,大大减小了样本的搜索空间,一定程度上缓解了单阶段目标检测算法中类别不平衡的问题。实验结果证明改进后的EFCN算法在提高检测精度的同时几乎不增加网络的前向计算的时间。