行人检测是铁路周界异物入侵检测的一项关键技术。近年来,随着计算机技术的不断发展,提出了深度学习方法,显著提高了行人检测算法的性能。受高铁站台行人尺度变化大和遮挡的影响,现有行人检测算法的漏检率高,不能满足铁路周界异物入侵检测应用的要求。本文针对小尺度和遮挡行人漏检率高的问题,利用深度学习方法,开展对多尺度变化和遮挡鲁棒的行人检测算法研究,对提高行人检测算法的性能,保障高铁安全运行有重要的应用价值。本文主要工作内容分为以下几点:（1）针对公开数据集City Persons和自制高铁站台行人数据集Hust Persons,利用Faster RCNN、Retina Net和CSP等经典代表性算法进行实验,在City Persons数据集上的对数平均漏检率分别为16.9%、15.6和11.0%,在Hust Persons数据集上的对数平均漏检率分别为17.6%、17.3和16.2%。实验结果表明,CSP算法的检测效果最好,但对小尺度和遮挡行人的漏检率高,难以满足实际应用要求。（2）针对小尺度行人漏检率高的问题,本文提出了一种基于递归多尺度特征融合的行人检测方法（Recursively Fusion Feature Pedestrian Detection method,RFFPD）,通过递归特征金字塔模块、混合注意力增强模块和自适应加权特征拼接模块,使行人检测特征同时具有高层语义信息和浅层纹理细节。在City Persons和Hust Persons数据集上的实验结果表明,相比于CSP方法,RFFPD在小尺度行人子集上的对数平均漏检率分别下降了2.9%和7.4%。（3）针对遮挡行人漏检率高的问题,本文提出了一种面向遮挡行人的多任务检测方法（Multi-Tasks based Occluded Pedestrian Detection method,MTOPD）。MTOPD在CSP网络的基础上增加二阶段分类网络、密度预测分支和最邻近行人预测分支。对CSP网络的检测结果,二阶段分类网络提取对应特征,在抑制背景的同时提高行人的置信度。密度预测分支预测行人密度,根据行人密度动态调整NMS阈值。最邻近行人预测分支预测最邻近行人距离,根据距离更新候选框置信度,在抑制相同行人的邻近框的同时,能保留邻近行人的检测框。在City Persons和Hust Persons数据集上的实验结果表明,相比于CSP方法,MTOPD在严重遮挡行人子集上的对数平均漏检率分别下降了1.9%和4.0%。综合上述,本文针对小尺度和遮挡行人检测漏检率高的问题,分别提出了两种不同的检测方法,并对两种方法进行了有效结合。实验结果表明,本文提出的方法显著降低了多尺度和遮挡行人检测的漏检率,具有高铁站台密集行人检测的实际应用价值。