行人检测是一个热门的研究课题,因为它在许多应用领域,特别是在汽车、监控和机器人领域具有极其重要的意义。纵然当前的技术有了显著的进步,但是行人检测仍然是一个开放的挑战,对算法检测精度的要求也越来越高。近几年来,深度学习,尤其是卷积神经网络在图像分类、目标检测和分割等计算机视觉任务的准确性方面成为最先进的技术,远超以往的标准。本文通过对基于传统算法的行人检测的研究,说明了传统行人检测算法的弊端,突出了基于深度学习行人检测的优越性。本文将一个通用的卷积网络适应于当前的任务,提出了一种基于深度学习的行人检测算法。通过对监控场景行人特点分析引入了“头肩”模型,改进了RPN网络使之更加适应行人检测,结合常用的行人数据库构建了基于“头肩”模型的数据库,并使用了更优越的卷积网络模型,根据卷积层输出特征的特点设计了级联子网络,加强浅层特征的作用以提高检测精度。实验结果表明和其他算法相比本文算法在速度和精度上都有一定的优势。