近年来基于车路协同的智能驾驶技术逐渐成为智慧交通领域的研究热点,而对交通环境信息的可靠感知是各类高级驾驶功能有效实现的重要基础,其中车载端的感知功能已有较多研究,而路侧端相关的感知功能则少有成型的研究成果。行人作为城市交通场景中关键的组成部分,其位置等信息的准确采集与感知常受到众多研究人员的广泛关注。目前利用机器视觉信息对图像数据中的行人目标进行检测的方式大致可以分为两种类型:基于人工特征的传统机器学习方法和基于自主提取特征的深度学习方法。传统机器学习方法可解释性强,结构相对简单,但通常难以在复杂多变的环境中保持较高的检测质量,深度学习方法利用卷积神经网络中的非线性映射可以自主学习具有强层次化的行人特征,广泛应用于各类大规模图像数据处理问题中。然而在本文所关注的路侧视角下,图像中的行人目标大多为小尺度,所占像素区域小,颜色、边缘等外观模糊不清,复杂交通环境中的大量电动车等负样本进一步增加了检测难度,因此为提升网络对路侧视角下小尺度行人的检测性能,本文从增强行人特征表征的角度出发,基于超分辨率化的行人特征,研究针对小尺度行人目标检测的网络,主要研究内容如下:（1）基于深度卷积网络研究搭建了路侧视角下通用尺度行人的检测网络Faster R-Inception。根据目标检测领域中更有利于较小尺度目标检测的经典Faster R-CNN网络架构,引入特征表征能力强且参数量较少的Inceptionv2卷积网络作为特征提取,并采用了对特征空间精度更友好的ROI Align区域特征聚集策略,形成了通用尺度的行人检测网络Faster R-Inception,并根据本文应用需求采集了路侧数据集进行实验测试,结果表明Faster R-Inception网络与基准Faster R-CNN相比检测性能均有提升,对高100像素以上的行人目标能够实现80.4%准确率的检测,但对高100像素以下的小尺度行人目标检测准确率仅有54.9%。（2）基于生成对抗思想研究搭建了特征超分辨率网络。为提升小尺度行人目标的检测性能,从增强其特征表达的角度出发,利用超分辨率生成器学习大小尺度行人间的特征关系,并将输入特征分辨率放大四倍,输出与真实大尺度行人特征分布相似的结果,同时在训练过程中利用一个判别器来评估生成器结果与真实行人特征间的相似程度,促使超分辨率网络生成更加真实有效的行人特征,并通过实验以RGB图像形式展示了超分辨率生成效果。（3）基于超分辨率特征搭建了针对小尺度行人的检测网络Faster R-Inception+SR。在已搭建的Faster R-Inception检测网络基础上结合了超分辨率网络生成器结构,取含有较多小尺度位置信息的卷积网络浅层特征图,将其中的候选区域部分送入生成器进行超分辨率重建,进而用更丰富的细粒度特征提升小尺度行人的检测性能,并设计相关实验对Faster R-Inception+SR网络性能进行测试分析,最终实验表明该基于超分辨率特征的网络与Faster R-Inception相比准确率提升了12.5%,召回率提升了9.3%,同时能够保证以大于10fps的速度对1920×1080大小的输入图像进行处理。