行人检测一直是目标检测领域研究的热点问题,而将深度学习与行人检测结合到一起则更加深入的挖掘了行人检测潜在的研究与应用价值。本文就是基于深度学习在校园场景下实现有效的校内行人的检测。传统的行人检测算法满足不了行人检测对精度与实时性的要求,故本文利用2020年刚刚发布的YOLOv4网络模型实现对校内行人实时性的检测,并为以后与校园视频安全监控结合到一起作前期的研究准备。论文主要研究内容有如下几个方面:（1）本文基于对现在使用较为普遍的几种基于深度学习的目标检测算法充分研究对比之后,选择使用YOLOv4网络模型进行校园行人检测的实验,运用YOLOv4训练的网络模型在行人检测方面不仅表现出了较高的精度而且能够对校园视频图像中的行人进行实时的检测,这是传统算法所不能比拟的。（2）本文制作了针对校园背景下可供YOLOv4网络模型训练的视频图像行人数据集。数据集中的行人图像素材是用手机自带的高清摄像头拍摄而成,分别在校内的不同地点,不同时间段进行拍摄,选取的拍摄角度和远近距离也各不相同,包含了各个角度以及不同高度成像的校内行人,随后将视频图像按每间隔30帧率截取一张图像作为数据集的原始素材,并使用专业的标注软件——Label Image,对数据集中的行人制作样本标签,标签以固定格式的文档保存,文档内含有样本的类别和位置信息。（3）针对本文的行人数据集中行人样本的宽高比例,不再使用原先YOLO网络中的K-means聚类算法,而是使用改进之后的聚类算法K-means++对数据集进行重新聚类,选取更符合样本标签尺寸的先验框大小,实验结果表明K-means++算法比K-means算法更有利于提高网络检测的准确度。（4）为了YOLOv4网络模型能够在通用的GPU上进行训练,对原来的网络模型作适当的优化,即结合通道剪枝算法对训练好的模型进行修剪,在保证精度的前提下对模型的结构和参数进行缩减,简化后的网络模型规模得到了有效的压缩,使得YOLOv4网络模型在不损失大量检测精度的情况下依然能够实现对行人的快速检测识别,且新的YOLOv4网络模型占用的存储空间更少,检测速度更快。