近年来,随着深度学习技术的快速发展,基于深度学习的行人检测研究得到了诸多关注。行人检测是目标检测中针对行人类别的一个子任务,一直是计算机视觉领域中的研究难点与热点。行人检测不仅具有极高的科研价值,在高级辅助驾驶、智能监控和智能机器人等领域也具有重要的应用价值。虽然基于深度学习的目标检测已经得到了较好的发展,但对于行人检测任务仍存在以下问题:实际应用中,平台的算力和功耗会有一定限制,如何保证行人检测模型检测精度和检测速度的均衡成为了一个亟需解决的问题。此外,由于遮挡模式的不确定性以及密集人群类内遮挡的普遍性,目前行人检测模型仍存在较多的漏检。本文针对行人检测模型在硬件限制条件下的检测速度问题以及遮挡场景中的有效检测,借鉴已有的目标检测网络思想进行了若干改进,使其具有更优越的行人检测性能。本文主要包括以下内容:（1）针对硬件限制下行人检测速度较慢的问题,本文在YOLOv4的基础上设计了一个轻量级行人检测模型。在本模型中,使用轻量级主干网络Ghost Net替换CSPDark Net53,并利用廉价的Ghost模块生产更多的特征图,可有效降低模型的大小以及计算量;对模型颈部结构PANet进行修剪,进一步平衡主干网络与颈部结构的模型大小;使用Focal-EIo U损失函数更直接地利用边长作为惩罚项,在训练时更关注优质的行人实例,提高了模型训练效果;在Jetson Nano嵌入式平台部署本模型,并使用Tensor RT技术进行模型优化加速。实验结果表明,与YOLOv4相比本模型在漏检率略微上升的情况下,显著提高了推理速度。（2）针对遮挡场景中漏检率较高的问题,提出多注意力上下文网络（MACNet）。该网络通过添加多注意力上下文模块使检测器获得更丰富的上下文信息,并利用其注意力机制学习不同的遮挡模式;通过添加可训练参数结合全局上下文模块与多注意力上下文模块建立自适应相互监督机制,改进行人特征提取;借鉴焦点斥力损失设计思路,设计出遮挡感知作用力损失函数,解决行人内类遮挡问题;在训练过程中忽略不合理样本和过小样本,减少此类样本对检测器训练的干扰。实验结果表明,该方法在不同场景下漏检率均有所降低,其中严重遮挡情况下的漏检率改进更为明显。