伴随着我国街道上摄像机数量,自动化行驶的需求的增多,对行人检测算法性能要求也在不断提升,而在经过多年的研究之后,行人检测算法也日益成熟,已经能够应用于实际生产环节之中。本文在研究当前主流的行人检测算法之后,对于现有的检测算法做出总结和梳理,在对比不同算法思路之后,提出一种基于Anchor-free的一阶段检测算法,使得检测模型在保证一定检测精度的情况下,更加轻量化,且适应于遮挡场景。本文算法针对通用检测模型的锚点和损失函数部分进行了改进,采用轻量级特征提取网络,提取不同的特征层加以融合,使用无锚点技术,解除了锚点检测器中于预测框的范围的限制,繁琐的参数设置和增加的计算量。使得最终的特征层同时保留有不同深度特征层的信息,并且算法还通过划分区域优化了正样本和负样本的标签,提高了模型训练的准确性。另外,通过分析了不同检测框的有效性,引入数据集注释的可视部分,并将其作为额外的损失添加到模型的训练中,减少背景对于检测算法训练的干扰,一定程度上缓解了遮挡物体的影响。最终提出的算法一定程度实现了模型参数量的减少和模型速度的提升,检测精度也有一定的竞争力。针对行人检测场景中的遮挡问题,分别根据行人被物体遮挡和行人与行人之间遮挡两种情况,对检测算法做出改进。在算法的损失函数中添加排斥损失,并改进其IOU,使得预测框在训练过程中尽可能远离周遭其他真实目标框,从而实现检测框能够避免其他行人的影响。另外根据行人以及行人检测的特点,在模型训练过程中,对于真实目标框进行分块加权,让检测算法更加注重对于头部身体更为明显容易的部分的学习,减少遮挡物的影响,解决行人被物体遮挡的问题。最后在通用行人数据集CityPerson,Caltech上进行实验对比和算法性能比较,通过对比证明了该检测算法在行人检测上,该方法在提高检测效果和减轻遮挡问题方面具有一定的竞争力,能够适应于较为复杂的行人场景。