行人检测作为计算机视觉的重要分支,在智慧交通、智能监控、搜索营救等多个领域具有重要的研究意义。在实际场景中,行人经常被周围环境所遮挡,使得行人特征信息不完整且不易与背景区分,对行人检测的准确性提出了极大挑战。为有效解决遮挡行人检测困难且定位不准确的问题,本文开展了基于深度学习的遮挡行人检测算法研究。论文主要工作内容如下:（1）针对遮挡行人特征不完整而造成模型检测性能不佳的问题,提出了一种自注意力机制引导下的多任务学习遮挡行人检测算法。为使算法具有较好的检测效果和实时性,采用Center Net作为行人检测的基础网络,分别从自注意力机制引导下的特征提取以及弱语义分割预测分支两个方面对网络进行优化,增强网络对遮挡行人的检测能力。采用随机遮挡行人部位的数据增强策略来提高算法的鲁棒性,实验结果表明,该算法相较于基础网络具有更高的检测精度,在Occluded Person私有数据集中对遮挡行人的召回率由80.50%提高到85.64%。（2）针对行人检测网络在复杂场景下易造成背景误检的问题,提出了一种基于行人可见区域再评估的遮挡行人检测算法。设计了可见区域估计网络,用于预测行人可见区域的分类置信度,从而评估候选区域内行人的遮挡情况。通过综合考虑行人全身区域与可见区域的分类置信度,降低模型的误检率。在Occluded Person私有数据集中的测试结果表明,该算法在提高平均准确率的同时,对遮挡行人的召回率进一步提高至86.31%。（3）针对遮挡行人检测中行人区域定位不准确的问题,提出了一种结合点集特征和定位置信度的遮挡行人检测算法。为降低行人的非刚性变化对定位的影响,设计了基于点集特征的坐标校准方法,实现对预测目标位置由粗到细的精确回归。使用定位置信度对预测框的准确性进行评估,避免只使用分类置信度作为判别依据导致准确预测框被滤除的问题。在边框回归任务中使用完全交并比（Complete Intersection over Union,CIo U）损失函数,获得更准确的预测框。实验结果表明,综合改进后的算法对遮挡行人的召回率提高至87.11%。本文致力于提升遮挡场景下行人检测算法的性能,从提高模型的特征提取能力、对背景区域的判别能力以及回归任务的准确性等角度对行人检测算法进行了研究,经测试本文算法有效提升了对遮挡行人的检测性能,具有实际应用价值和前景。