近年来,随着深度学习技术与高性能计算机的飞速发展,基于机器视觉的目标检测方法已经渗透到了各个领域,行人检测技术是计算机视觉领域中热门的研究方向之一,在监控安防、汽车自动驾驶等方面扮演着重要的角色。尤其在自动驾驶方面,道路行人检测是自动驾驶应用场景中最重要的检测分析目标之一,准确检测到环境中的行人是完成后续任务或者进行人机交互的重要前置条件。与传统的行人检测技术相比,基于GPU计算的深度学习行人检测技术在检测准确率和检测速度上均有较大的优势。同时,随着自动驾驶领域中基于嵌入式平台的计算机技术飞速发展,在嵌入式终端上部署网络模型进行实时的行人检测亦成为了研究热点与难点。本文研究改进了基于一阶段法的RetinaNet网络,由于嵌入式平台计算资源有限,所以更适合对计算资源要求较低的一阶段法目标检测网络。本文将针对自动驾驶的嵌入式平台对其进行改进。文章对RetinaNet网络的改进主要有两个方面,一是对网络进行轻量化处理。本文在该部分对比了不同的轻量化方法,选择引入MobileNet网络对特征提取网络进行轻量化处理,使得网络模型对嵌入式平台更具有针对性和适应性。二是对分类子网络的损失函数进行优化,引入了 L2 softmax损失函数。该损失函数在对行人特征的处理方法上有一定的优势,能够较好的提升网络的鲁棒性,一定程度上弥补了因网络轻量化处理而导致的准确率降低的不足。为验证网络修改后的有效性,本文在实验部分对该网络进行训练并与其他网络进行对比。实验之前首先对数据集进行处理,本文选用COCO数据集并对其进行筛选和数据增强处理以提高网络的鲁棒性和泛化能力。训练时采用预训练法来加快网络的收敛速度。训练后的结果显示,本网络在保证准确率基本不变的情况下,将参数量减少为原网络的30%左右,较好的兼顾了低参数量与较高识别准确率的要求。同时将改进后的网络与常见的目标检测网络进行对比,分别在本文数据集和VOC2012数据集上进行训练。结果表明改进的模型具有较好的综合性能,更加适合应用于嵌入式平台,能更好的使自动驾驶系统做出及时准确判断,为后续相应行驶策略和保护措施提供前提保障。