随着智能交通、无人驾驶等技术的发展,行人检测任务得到了广泛关注。行人检测旨在定位图像或视频中的行人位置,其准确度受检测目标的遮挡程度、目标大小、拍摄角度及光照条件等诸多因素影响。近年来卷积神经网络在一般物体检测等任务中取得了巨大突破,如何利用基于卷积神经网络的优秀性能解决上述行人检测存在的问题,并有效提高行人检测方法的准确度和鲁棒性具有重要研究意义。本文以解决遮挡问题作为提升性能的突破口,充分利用卷积神经网络特征可学习的特性,分别从多流特征融合和多任务学习两个角度,对行人检测技术开展了深入研究。本文提出了一种基于多流区域推荐网络的行人检测方法。首先,以现有道路行车视频数据集为基础,研究了出现的各种行人可见形式。在此基础上,提出了多种针对不同可见形式的可见区域引导网络,以提取相应的深度特征。然后,设计了一种有效的特征融合网络以实现上述特征的有效融合和降维,并在该特征融合网络的基础上,构建区域推荐网络生成行人检测的初步检测结果。然后,为了进一步提升检测的准确度,采用随机森林对初步检测结果进行优化,以获得最终检测结果。实验结果表明,在Caltech数据集的可信行人样本子集下,所提出的方法获得了较好的检测效果。为了对基于多流区域推荐网络的检测方法进行优化,本文进一步研究了基于多任务学习的区域推荐网络行人检测方法。在继承上述多种可见形式的基础上,构建了一种基于区域推荐网络的多任务学习框架。在模型训练时,将不同可见形式的样本传递给基于相同主干网络结构的区域推荐头部网络,从而构成多任务训练框架,其中使用可见形式的出现比例作为每个训练任务损失函数的权重。由于不同遮挡形式的区域推荐任务之间存在内在的相关性,不同任务之间可以相互促进,以获得较好的检测结果。实验结果表明,相比于单任务学习的区域推荐网络,多任务学习对于遮挡样本的检测能力更为突出,有效提高了行人检测的性能。