随着人工智能的快速发展,人们对于公共安全,智能驾驶,智能机器人等要求越来越高。因此行人检测技术成为了不可缺少的一部分,在行人检测中,行人之间相互遮挡,光照复杂度,以及小目标的存在,会对检测效果带来影响。本文以计算机视觉为基础,深入研究深度学习相关内容,使用深度学习算法,实现从复杂环境中提取出行人目标。通过性能指标,判断模型的可靠性和有效性。本文主要工作如下:(1)采用Faster R-CNN进行行人检测设计。通过卷积神经网络进行特征提取,将原图像中候选区域的位置映射到卷积层特征图上,在这个过程中需要对数据进行量化,然后送到分类器,量化过程会产生候选框位置误差偏移,导致检测精度下降。为了不引入这种误差,本文将Faster R-CNN模型中的ROI Pooling网络改为了ROI Align网络,用双线性插值法代替量化操作,可以保持候选框的位置不变,提高行人检测准确度。(2)为了验证深度学习的性能,本文模仿Alex Net和VGGNet模型设计了DCNN网络,构建了一个7层的卷积神经网络模型(DCNN),进行行人检测。通过结果分析,发现本文设计的DCNN网络效果与Faster R-CNN相比多了一些误检,但是检测速度有明显地提高。如果网络更深,会在保持检测精度的同时大大提高检测速度。因此接下来本文采用了网络更深的YOLOV3算法进行研究。(3)通过改进YOLOV3算法,来实现对行人检测。为了解决小目标识别,相互遮挡,以及复杂光照的问题,首先通过简单聚类对图像进行聚类,再通过抽样K-means聚类算法结合核函数确定锚点位置,以达到更好的聚类。对小目标的深层特征信息进行多尺度融合,提高小目标的检测精度与运算速度。优化激活函数和目标函数,调整优化函数,提高网络性能,使网络适应复杂的环境中。