随着深度学习技术的不断发展,基于卷积神经网络的行人检测技术实现了质的飞跃,而SSD（Single Shot Multi Box Detector）算法运用通用目标检测数据集进行测试,在检测精度上可以和其他目标检测算法相媲美,但在行人检测领域其模型检测准确率还不够高,因此本文在SSD原理基础之上进行改进,并应用于行人检测,主要工作如下:（1）首先本文提出一种基于SSD的FRN（Filter Response Normalization）密集连接行人检测算法。该算法为了加强行人特征表达能力,将SSD各检测层作为中介层,通过密集连接,使中间特征层都共同持有首尾特征层不同的信息内容,而与中间特征层相邻的其他检测层在原有各自特征的基础上融入高层或者低层特征,从而在各连接特征层后进行FRN归一化得到最终检测层。本文提出的密集连接归一化策略可以很好地提高行人检测准确率,而且在可视化图上明显减少了漏检、错检的发生。（2）其次本文提出一种融入SENet（Squeeze-and-Excitation Networks）的SSD行人检测算法。该算法通过SENet作用于SSD各检测层,使得网络可以将不同检测层的通道特征相关性用权重表示,联系紧密则权重相对较大,从而利于模型学习通道的核心特征。该算法与SSD相比,在融合数据集、VOC2007TEST数据集上平均准确率涨幅分别为6.2%、3.4%。（3）最后本文提出一种CBAM（Convolutional Block Attention Module）与特征增强相结合的SSD行人检测算法。在SSD低层特征检测层中融入CBAM,在通道关键信息有所保留的情况下再次筛选空间核心特征,同时为实现更高的行人检测准确率,本文在引入CBAM之前增加特征增强策略,从而形成一个完整的行人检测框架。实验结果表明,在融入SENet的SSD行人检测算法改进的基础上,准确率分别在融合数据集、VOC2007TEST数据集上再次提升2.0%、1.9%。本文提出的行人检测算法与SSD算法相比,具备良好的泛化性,在通用目标检测数据集上的行人检测准确率存在一定竞争力的情况下,在融合数据集上的检测准确率具有一定的优势。