随着深度学习理论的迅速发展和计算机处理能力的快速提升,基于深度学习的行人检测取得了长足的进步,但在实际场景中,行人检测的性能与人们所期望的性能仍有差距。尺度变化和遮挡是影响行人检测性能的两大核心问题。尺度变化是指在视频或图像中行人与摄像头距离不同,行人呈现出不同大小的尺寸;遮挡是指视频或图像中行人身体中的某些部位被其他物体遮挡,造成行人身体信息缺失。本文在单阶段检测算法的基础上,针对行人检测的两大核心挑战,分别提出了两种算法来提高行人检测的检测效果。本论文的主要研究内容如下:1.为了解决行人检测过程中存在的尺度变化和一般遮挡问题,提出了基于改进的多尺度特征融合行人检测算法。该算法通过使用改进多尺度特征融合模块来关联相邻的特征层,挖掘尺度间的内在关系。首先,在原有多尺度特征融合模块基础上,提出改进的多尺度特征融合模块PCNet,并通过引入注意力机制来学习不同层的重要性,加强特征融合,减少不同层之间的语义差距;然后,在下采样过程中引入空洞卷积,减少了小尺度行人和遮挡行人信息的缺失;最后,利用K-means聚类算法重新设计anchor box。经实验验证,与已有的算法比较,改进后的多尺度特征融合行人算法可以挖掘更多的语义信息和定位信息,能有效处理行人尺度和一般遮挡。2.为了解决拥挤行人检测过程中存在严重遮挡的问题,提出了基于改进损失函数的遮挡行人检测算法。该算法通过使用IRepulsion Loss损失函数,提升算法对被遮挡行人的检测效果。首先,通过优化算法的回归损失函数,减少其他行人目标框对预测框的干扰;然后,提出一种基于有效主要样本的采样策略,将检测器训练的重点转到对检测性能有较大影响的主要样本训练上;最后,通过联合优化分类和回归损失函数来提高主要样本的分数。实验结果表明,与已有的算法比较,该算法在拥挤场景下能够有效处理严重遮挡问题。