近几年,随着驾驶辅助系统的兴起,行人检测与报警模块也受到越来越多的关注。尽管目前基于深度神经网络的行人检测算法取得了不错的效果,但是在某些情况下,仍然满足不了实际需求。一方面,当行人离摄像机的距离较远时,出现在图片中的尺寸较小,分辨率较低,容易被检测器认为是背景而被忽略。另一方面,交通道路场景下的行人常常会被汽车,树木等物体遮挡住,这些遮挡物体会很大地影响检测器对于行人的识别。为了解决上述的两个问题,本文就交通道路场景下的小目标行人检测和遮挡行人检测开展了深入的研究,并且设计和实现了行人检测系统,具体的工作以及主要贡献如下:1.针对小目标行人分辨率低,在高层卷积特征中易被忽略的问题,提出了一种基于多尺度特征挖掘的行人检测方法。该方法的区域推荐模型通过挖掘不同层次的卷积特征来推荐行人所在的区域。实验结果表明,提出方法能很好地发现行人所在区域,减少在区域推荐阶段被忽略的小目标行人,从而提高行人检测的召回率。2.为了进一步解决在高层卷积特征中小目标行人的特征易缺失的问题,我们结合图像分割技术提出了一种通过预测行人中心点来预测行人所在位置的检测方法。该方法基于Unet网络结构设计,通过在高层卷积特征中融合低层卷积特征来丰富小目标行人在输出特征图中的特征信息。实验结果表明,无论是在漏检率还是精确率上,提出方法都达到了最好的检测性能。3.针对在道路交通中被遮挡的行人不易被检测到的问题,提出了一种基于注意力引导机制的行人检测方法。该方法借鉴了深度学习在情感分析方面的应用方式,通过注意力机制来引导识别网络更多地去关注可见的行人身体特征,而忽略遮挡物体的特征。同时,我们还探究了不同注意力机制对于遮挡行人检测的效果。实验结果表明,提出的注意力引导网络模型对于不同遮挡程度的行人的识别具备更强的鲁棒性,在多个数据集的遮挡行人子集上,取得了最好的检测效果。4.借助Tensorflow框架实现了行人检测算法,并成功地集成到了服务端程序上。设计并完成了基于VIM2开发板的客户端程序。整个行人检测系统可以有效地运行,较准确地检测出目标行人。