行人检测是无人驾驶、智能监控和人机交互等领域必不可少的技术,它主要是指对视频或者图像中的行人进行识别和定位。但是在复杂现实生活场景中,由于存在光线较差、行人被物体遮挡等不可避免的实际问题,使得快速准确实现行人检测具有极大的挑战性。近年来,针对传统行人检测方法精度低、速度慢的缺点,研究者们提出基于深度学习的行人检测算法,实现了更好的行人检测及定位效果。然而,现有的基于深度学习的行人检测算法结构复杂且占用硬件资源较大,检测精度和速度等性能还有待提高。本论文针对实际应用场景中存在的光线较差、行人被遮挡等问题,对现有的YOLO（You Only Look Once,YOLO）目标检测算法进行改进,以进一步提高行人检测性能。主要内容如下:首先,从基于人工特征和基于深度学习两个方面概述了行人检测技术的发展历程,并总结了两类行人检测方法存在的问题和局限性,最后简述了行人检测技术面临的困难与挑战。其次,针对光线较差环境下采用红外图像进行行人检测时,行人特征较少导致漏检率较高的问题,提出了基于多尺度特征融合和残差网络的红外图像行人检测YOLO-MF算法。本文首先使用维度聚类算法产生行人先验框,更易于训练过程中的边框回归。然后利用多尺度特征融合,使卷积网络在检测过程中充分利用深层网络的语义信息和浅层网络的位置信息,使检测准确度提高了 1.13%。此外,基于残差网络的恒等映射,修改YOLO网络基本结构,提高了网络收敛性。最后,针对复杂动态环境下的行人检测中,待检测行人被物体遮挡的问题,提出了基于头肩特征辅助检测的YOLO-H算法,采用双分支检测架构,一个主分支检测身体,一个辅助分支进行头肩检测,以更加有效地实现行人身体框检测。此外,重新设计了 YOLO-H算法的损失函数以对网络模型进行优化,并改进了非极大值抑制算法,更利于网络对身体框的筛选。通过实验验证,所提出的算法使行人在被遮挡情况下的漏检率降低0.5%。