随着深度学习技术和计算机硬件的不断发展,计算机视觉领域开始大规模应用深度学习技术来实现图片的分类、目标的定位和检测等任务。行人检测作为计算机视觉中的一个重要分支在智能监控、人机交互、自动驾驶等领域扮演者重要的角色,也是人体姿态估计、行人追踪等任务的技术前提。行人检测任务是将图片中包含的行人目标以包围框的形式标记出来。随着深度学习技术的应用,行人检测的准确度有了很大的提升,但仍然存在很多问题。其一,行人遮挡仍然是行人检测任务中具有挑战性的问题;其二,深度学习检测算法很难在计算力有限的嵌入式设备或移动端上部署和应用。针对以上问题,本文的主要工作内容和成果如下:（1）实现了针对行人遮挡问题的CSP算法的改进。通过行人头部特征来帮助行人整体检测的思路,对CSP算法进行改进。在特征提取模块中增加对行人头部特征的提取来增强行人整体特征,并且为了使算法在不增加计算量的前提下有更好的多尺度目标检测能力,采用金字塔插值方法进行特征图上采样。为了增强行人头部特征和行人整体特征的表达能力,在检测头模块中,增加行人头部和行人整体的单独检测,并且采用多任务联合方式进行训练。改进后的算法对行人遮挡目标以及多尺度目标都有更好的检测准确度。（2）实现了算法的加速优化。通过采用轻量化骨干网络MobileNetV2和TensorRT加速库两种方式对算法进行优化,前者减少了算法的参数量,后者优化了网络结构,并通过参数的低精度表示加快了算法的检测速度。在嵌入式设备Nvidia Jetson Nano上能够做到实时检测的效果。（3）设计并实现了行人检测系统。该系统通过本文实现并优化的行人检测算法实时处理摄像机中的视频流,将检测到的行人目标以图片的形式发送给用户的Android客户端,用户也可以通过客户端来查看监控的实时画面或录像视频。