随着科技的发展,人工智能技术应用的领域越来越广泛,每个行业都掀起了人工智能的浪潮,在高级驾驶辅助系统,如何可靠且准确地检测出交通环境中的行人目标成为了主要关注的焦点。为了极大程度地保障道路上每个人的生命安全,驾驶辅助系统对行人检测算法的检测速度和可以达到的准确度都有更加苛刻的标准,一般的检测方法可以满足检测速度的要求,但是却无法达到准确度要求。为了解决前述问题,本文采用基于深度学习的行人检测算法对行人检测问题进行了研究。论文的主要研究内容包括以下几个方面:（1）分析了行人检测与识别领域的国内外研究现状。本文对现有的行人检测研究作出了总结,提出了现有的行人检测研究中存在的问题有:检测的结果会随着视角、光照以及背景环境的变化而变化,尺度的变化以及被遮挡的因素都会影响到最终的结果,检测结果收到的影响因素比较多。之后提出了论文的主要研究内容。（2）对已有的行人目标检测基础理论分析。分析了国际上常用的行人检测数据集并在现有的数据集添加一些图片作为本文的数据集,对目前得到广泛使用的用于特征提取和分类的算法进行了分析,指出了各自的优点和缺点,在最后对目标检测领域的非极大值抑制和区域推荐算法进行了探讨和分析。（3）分析了Faster RCNN行人检测算法的优点。搭建了Faster RCNN的特征提取网络和区域推荐网络,之后为了减少算法的误差,又建立了网络损失函数,并在此基础上用反向传播算法对各层的权重进行分配和调整。（4）改进Faster RCNN特征提取网络,在特征提取网络中加入批归一化层,对特征提取网络的输出进行批归一化处理,并在INRIA数据集上验证其网络模型的性能。本文改进的行人检测方法在INRIA数据集上达到96%的平均精度,实验验证表明,本文中的算法在速度和准确度上具有更好的表现。