近年来,随着人工智能相关技术在诸多领域的发展以及GPU计算性能的不断提高,计算机视觉领域的相关问题也出现了许多以深度学习为基础的解决方案。例如行人检测的相关问题,许多研究学者提出了基于深度学习的算法。和传统的行人检测相关算法相比,基于深度学习的方法在相关公开数据集上具有更高的识别准确率,对于具有复杂背景场景以及多目标场景下的识别率有更好的效果。但是,不论是传统算法还是基于深度学习的算法都存在计算量大的问题,不能够在一些计算能力较差的平台上进行实际场景下的具体应用,例如嵌入式和移动端平台。另一方面,随着物联网和单片机技术的深入发展,嵌入式系统由于体积小,功耗低等特点得到了很大规模的运用,在工业控制,智能家居等领域都有广泛的应用。因此,本文针对行人检测这一问题对传统算法和基于深度学习相关算法进行详细比较后,利用结构性优化方法对具体的基于卷积神经网络的算法进行优化并进行理论分析和验证。之后通过Caffe框架和相应的GPU训练平台对相关数据集进行训练并生成最终的实际模型后,利用嵌入式平台进行实验和分析验证算法优化的有效性。最后,将经过优化之后的算法模型部署在Raspberry-Pi3嵌入式平台上,通过相应的外部硬件资源以及对于HomeAsssitant开源软件架构的二次开发,构建小型的自动化监控的系统,对目标场景下的行人目标进行实时检测,并通过整体的系统性能相关实验验证其实际效果和可靠性。