近几年随着计算机视觉技术在国内计算机应用方面越来越被广泛地关注,目标检测作为最基本的工作也越来越受到关注。由于行人检测属于图像处理和计算机视觉分析领域中较为困难且最为基础的工作,因此,在目标检测问题中,近几年,计算机研究者的主要研究内容是针对行人检测算法中的问题进行解决,并对行人检测技术进行改进。并且,随着数字或视频图像处理技术在国内外持续性的发展,行人检测技术被应用到人们生活的各方各面,例如:在交通中的违章违规检测;在医疗中的肿瘤疾病检测;在公共场所门禁使用的检测系统等。因此,行人检测系统对鲁棒性与实时性的要求十分的严格,在复杂的静态图像或者视频帧图像中如何使检测的准确度和检测的耗时度两方面达到一个高水平的权衡,已经成为近年来行人检测问题中的一大研究难点,也成为了相关研究人员的研究热点。因此,在近年来针对目标检测较为主流的算法中,基于部件的目标检测算法因其较高的性能被更多的用于行人检测,其中效果最为突出的是可变形部件模型算法。可变形部件模型算法是一种具有融合了现代图像特征和机器学习的算法。该算法中行人检测的主要步骤分为:行人特征的提取、建立可变形部件的语义以及结构模型、对可变形部件模型进行训练和最终在静态图像上进行的行人定位与检测。由于基于梯度方向直方图的特征在背景复杂、光照较强和检测目标有形变情况时的鲁棒性较好,因此,在基于可变形部件模型算法特征提取的环节,一般使用梯度直方图特征进行描述行人的特征。提取得到的特征通过支持向量机进行训练分类,最终建立可变形部件模型,通过模型匹配目标图像中的行人,从而检测并定位出行人。本文的算法是在可变形部件模型上,针对该算法准确度较高,但检测耗时过长的问题进行改进。首先,在特征提取部分使用卷积神经网络模型特征替换梯度直方图特征,解决了梯度直方图特征计算量过大导致的耗时长的问题。其次,在可变形部件建模部分将5个部件增加到8个,解决了为提高检测速度而降低准确率的问题。然后,在可变形部件模型训练部分使用添加了潜在值的隐变量支持向量机进行模型的训练,相较于支持向量机得到的准确度更高。最后,在行人检测部分之前使用级联检测算法建立简化模型,并结合分支定界算法,提取感兴趣区域,解决了行人定位时的耗时过长的问题。本文算法最终在INRIA数据集上进行验证。结果表明本文算法在检测的精度与速度上都具有很好的效果。