近年来,深度学习的热潮带领人工智能与计算机视觉领域迈入了发展的黄金阶段。行人检测作为人工智能与计算机视觉领域中的重要研究任务之一,在无人驾驶等应用领域起到了关键的作用。本文着眼于行人检测这一重要且极具挑战的课题,开展了基于深度学习的行人检测方法研究。现有的行人检测数据库绝大部分是采集于欧美地区,亚洲场景的行人检测数据库较少。为了增加行人检测数据库在亚洲地区的适用性,本文构建了VIP行人检测数据库。现有的行人检测方法对于较远距离的小尺寸行人难以获得较好的检测结果。基于此,本文提出了一种基于候选区域生成的小尺寸行人检测方法。首先,设计了一种小尺寸候选区域生成网络,用于得到更可能包括小尺寸目标的候选区域,其次,提出了一种增加小尺寸目标在网络训练过程中所占权重的损失函数。最后,对于现有的评价准则不能很好的评估出算法检测结果位置准确性的问题,提出了一种称为偏移率的评价准则,用来评估被检测结果与真实标签的位置偏移。实验结果验证了所提方法的有效性。在行人检测领域中遮挡问题被普遍认为是一个极具挑战性的问题。基于此,本文提出了一种基于判别网络的遮挡行人检测方法,该方法主要利用判别网络用于判断融合后特征的有效性,选择出对于遮挡下的行人目标更为有效的卷积特征,同时利用掩码网络使得判别网络选择出的特征对于遮挡行人的鲁棒性更好。实验结果验证了所提方法的有效性。基于深度学习的行人检测方法在速度上较难达到实际应用的需求。基于此,本文提出分离型卷积结构和阶跃型卷积结构。这两种卷积结构减少了深度学习方法中卷积提取部分所需的大量网络参数,使得基于深度学习的行人检测方法在速度方面得到了提升,同时也改善了方法的检测精度。