随着现今科学技术与人工智能的发展,行人检测技术在计算机视觉领域受到各研究学者的青睐。行人检测技术是步态分析、行人追踪、人体动作识别等研究的基础,在监控安防、车辆辅助驾驶、虚拟现实以及智能机器人等场景都有着广泛的应用。近几年深度学习各方面都取得了突破性的进展,包括更准确快速的目标检测,并且在行人检测方面很大程度上提高了检测性能。相比较传统的行人检测方法,深度学习具有更强的鲁棒性,但是目前仍然存在着在遮挡、多尺度等环境下行人检测准确率较低的问题。本文主要在深度学习的基础上构建更精确的行人检测模型。本文首先构建了基于更快的区域卷积神经网络的行人检测模型。考虑到静态图像在拍摄过程中存在较多低分辨的样本,本文通过直方图均衡化算法进行预处理,增强图像效果;由于Faster R-CNN模型是针对多目标检测,本文则针对行人这一目标,通过修改RPN锚框窗口设置,提取更适合行人的候选区域;针对行人遮挡问题,通过融合卷积多层特征、设置排斥损失函数以及改进非极大值抑制算法辅助Faster R-CNN模型进行行人检测。通过对比实验研究了更快的区域卷积神经网络中各因素对检测性能的影响,并在INRIA数据集和部分Caltech数据集上进行了验证,达到了比较理想的检测效果。然后,为了能够解决在复杂的背景环境中行人多尺度的问题,本文给出上下文细化算法,并与RPN结合,使RPN生成更精确的行人候选区域。另外,利用特征金字塔网络原理,通过上采样的方式将高层信息传给低层,与低层特征融合,并采用在不同特征层独立进行预测,将其分别融入RPN以及Fast R-CNN网络中,有效解决行人多尺度问题。在INRIA、Caltech以及部分补充数据集中的实验表明,本文算法取得了较高的准确率,证明了本文方法的有效性。