随着计算机视觉技术的不断发展,自动化的目标检测与统计已在民用航空领域开展了相关应用。其中,基于深度学习的行人检测技术是目标检测领域的研究热点之一。舱门关闭后重复核实机舱内实际乘客人数,是民航航班起飞前必要的安全检查程序之一。执行此项安全检查程序时,由于场景和设备等多方面限制,目前多采用人工的方式完成,但是人工方式存在成本高、准确率低和效率低的问题。采用行人检测方法对客舱处乘客进行检测,既能取代效率低下的人工检查方式,又能提高检查流程的自动化程度以及准确性,但是传统行人检测算法存在检测精度不足、速度慢的问题,基于深度学习的行人检测方法速度虽然能满足实时性的要求,但是检测精度较低。为了解决上述问题,本文针对基于深度学习的行人检测方法进行研究,在CSP算法的基础上提出了CC-CSP行人检测算法,全文主要工作如下:1.针对CSP算法语义信息提取不足的问题,本文提出了多尺度CSPN模块,该模块能通过加深网络深度的方式提取更多的语义信息。同时为了减小网络深度增加给计算量和内存带来的负担,在该模块中采用了CSPN结构,通过重复利用梯度流信息以最小的计算代价获取最多的语义信息。2.针对CSP算法没能有效融合浅层特征与深层特征的问题,本文提出了基于特征融合的双重注意力模块,该模块能有效融合来自多个尺度的浅层特征与深层特征。同时该模块还能在空间和通道两个维度上对融合的特征进行权重的合理分配,有效提高了模型对行人的检测能力。3.针对摄像机自身限制以及外界光照条件影响所导致的检测速度、精度降低的问题,通过实验对比分析选取了下采样算法、中值滤波以及gamma=0.5的Gamma变换算法进行图像预处理,以此来加快检测速度,提高检测精度。4.为了能够将CC-CSP算法应用到实际场景中,本文设计了乘客检测系统,该系统具有图像显示界面,能自动统计乘客总人数并进行显示,具有一定的实用价值。本文最终在公开数据集和实际场景中开展了CC-CSP算法的实验验证。本文提出的CC-CSP算法相较于CSP算法,在Caltech行人公开数据集的Heavy Occlusion子集上对数平均漏检率(log-average missing rate,-2)降低了2.60%,在Reasonable子集上-2从4.54%降低到4.44%,在ALL子集上-2降低了0.98%。在实际场景的难分样本中,本文提出的CC-CSP算法的平均置信度比CSP算法高了48.28%。上述两个实验结果表明,本文提出的行人检测算法具有较高的精度,能够满足实际应用需求。