随着我国铁路事业的快速发展,行车安全成为亟待解决的问题之一。其中,行人误闯是影响行车安全的重要因素。因此,及时检测是否有人员误闯列车运行线路可以保障行车安全。传统的行人检测方法难以实现高性能和实时性的检测任务。近年来,随着深度学习技术的快速发展,基于深度学习的目标检测算法取得了优异的成绩。因此,本文以优异的卷积神经网络为基础,结合嵌入式异构设备完成铁路场景下的行人检测,实现铁路安防的智能化。本文的主要研究工作包括:（1）针对传统检测方法检测精度低、速度慢等问题,本文采用基于深度学习的目标检测方法实现行人检测。以通用的目标检测算法YOLOv4为基础,结合铁路场景的自身特点,设计了专用于铁路场景的行人检测算法。针对公开数据集场景和实际铁路场景差异较大的问题,在现有数据库的基础上构建了本地铁路场景的行人数据集。最后,采用对数平均漏检率、检测速度以及平均准确度对网络的性能进行评估,结果表明该算法在铁路场景下有良好的检测结果。（2）针对行人检测算法模型较大的问题,提出了轻量化行人检测模型。本文在通道剪枝的理论基础上,设计了shortcut的层剪枝策略,保证了剪枝后模型的规整性。同时剪枝前采用局部衰减的稀疏化训练策略衡量网络层的重要程度。最后,使用原始数据集微调剪枝后的模型。实验结果表明轻量化模型在对数平均漏检率增加不到1%的前提下,检测速度从6.9 FPS提高到了9 FPS。（3）完成了轻量化行人检测算法在硬件上的部署工作。实现了摄像头采集的视频流、视频文件以及图像文件三种输入方式的检测流程,并采用了多线程调度优化视频检测,最后验证了行人检测系统的处理性能。本文完成了数据集的补充工作、专用于行人检测轻量化网络的设计以及轻量化网络在硬件设备的部署工作。结果表明部署后的行人检测系统能较好地实现检测功能,可以用于铁路场景下的行人检测。