近几年流行起来的深度学习,在目标检测中大放光彩,相对于传统的目标检测算法,深度学习可以根据输入,端到端让神经网络学习出推荐的区域并提取该区域的特征识别出物体的类别。但是基于深度学习的目标检测算法主要依赖于卷积神经网络,而卷积神经网络因为最终的全连接层需要固定尺寸输入,所以大多数之前的深度学习算法都需要对原始图片进行拉伸、缩放等操作处理成固定尺寸输入网络,这制约了神经网络对于过大物体和过小物体的检测性能。本文从基于深度学习的目标检测算法的输入尺度问题出发,探究并提出了可变输入尺度下的深度行人检测算法。概括如下:(1)本文根据深度学习中卷积神经网络对于固定尺寸的依赖问题,提出了一个可以使用多种尺寸训练和测试的二阶段深度行人检测算法,不再使用固定尺寸的输入。同时对于一张图片中过大和过小物体,提出的算法可以根据物体的尺寸在不同层级进行推荐和识别,从而达到对物体进行自适应区域推荐识别的效果。这种层级推荐可以进一步推荐出更多高质量的候选框,但随之而来的是需要对大量困难样本进行拟合,基于此问题,又根据对传统分类器和传统困难样本挖掘算法的优缺点分析,提出了联合度量编码的物体检测算法,该检测分类算法基于深度学习和度量编码理论,使用一个度量编码网络加大分类器的类内距离,同时使用一个更深的网络框架对类间距离进行增强,从而获得了更强的困难样本挖掘能力。最后,根据行人一般会出现扎堆很高,造成较高重合率的情况,在检测的后处理阶段提出了分段非极大值抑制策略从而使整体的识别性能提升。(2)在二阶段检测算法的基础上,本文接着探索了可变输入尺度下的深度行人一阶段检测算法,综合了网络对二分类比多分类更加精确的特性,设计提出了可变输入尺寸的一阶段检测算法,使其在速度上和性能上都优于本文的二阶段检测。并基于二分类和多分类联合的损失函数进一步提出了联合多分类得分的非极大值抑制策略。