铁路是我国一项重要的基础设施,随着我国铁路运营线施工规模的不断扩大,施工过程中的事故风险也日益增加。目前施工现场作业安全管理主要为效率较低的人防模式,存在一定的安全隐患,亟需引入安全防护的智能化手段。因此,研究铁路施工场景下的行人检测算法对于智能安防监控系统的设计以及保障铁路沿线的施工安全具有重要的意义。但由于施工现场环境复杂、监控视频中存在大量小尺度行人等因素,施工场景下的行人检测存在很大的挑战。本文对如何提高铁路施工场景下行人检测的性能展开了深入研究,主要完成的工作如下:（1）针对现有公开数据集中缺乏铁路施工场景的问题,构建了铁路施工场景数据集,数据集中包含了数个典型的施工环境。此外,根据数据集中场景的不同特点,将数据集划分为遮挡物较少的多尺度行人检测场景以及行人遮挡情况较为严重的复杂背景检测场景,后续算法的设计针对以上两种场景展开。（2）针对多尺度行人检测场景中小尺度行人难以检测等问题,设计了基于YOLOv5的多尺度行人检测算法。首先,引入了自模拟学习方法,令小尺度行人特征信息模仿大尺度行人特征信息,增强了小尺度行人的特征表达,改善了小尺度行人特征信息较弱,难以和背景区分开的问题。其次,使用融合权重的双向特征金字塔网络替换原有的结构,使网络在特征融合时可以自主学习每个特征层的重要性。最后,采用质量焦点损失函数对分类和置信度损失函数进行优化,使得网络在训练时可以快速聚焦于难分样本和正样本的学习,改善了因训练过程中正负样本失衡导致的性能下降。实验结果表明,相较于基础检测网络,本文设计的多尺度行人检测网络提升了多尺度行人的检测精度,并降低了漏检率。（3）针对复杂背景行人检测场景中遮挡物较多等问题,设计了基于数据增强和注意力机制的行人检测算法。应用Mixup数据增强策略,增加了模型对复杂环境的适应能力。同时,构建了一种联合注意力机制,使模型同时从通道维度和空间维度专注于行人特征的学习,以提高网络对遮挡行人的检测能力。实验结果表明,相较于基础检测网络而言,本文设计的网络结构更加适用于遮挡场景下的行人检测任务,提升了行人检测的精度,并降低了漏检率。