行人检测作为目标检测的子问题,是计算机视觉领域的热门研究方向之一,在自动驾驶、视频监控、安防等领域有着巨大的应用价值,所以许多企业、高校都针对行人检测问题开展了研究。由于行人目标受许多因素影响,行人检测仍旧有很多困难和挑战:（1）行人检测需要很高的实时性来满足应用需求;（2）小尺寸行人（高度小于60像素）难以检测;（3）行人常常存在重叠、遮蔽。基于以上问题,本文重点研究了基于YOLOv3网络进行改进的行人检测算法。改进后的YOLOv3算法可以在不同尺度特征层,更精准地探测不同高度大小的行人,并且能满足实时性高的要求。本文的主要工作包括以下内容:（1）基于多尺度特征融合改进了YOLOv3网络。为了充分利用底层特征的空间信息和高层特征的语义信息,在三个尺度上分别进行特征融合时,首先将除当前尺度特征层以外的两个特征层,更改到和此特征层一样的大小,然后通过1 x 1的卷积核,输出当前尺度3个权重参数,最后以此进行特征融合。在BDD100K行人数据集上,验证了基于YOLOv3算法并采用自适应特征融合及K-means++聚类算法,对不同高度行人的检测效果。（2）对YOLOv3算法的边界框回归损失函数与NMS算法的优化。为了获取更精确的预测框位置,采用基于中心点距离的边界框回归损失函数Center＿dis-IoU代替YOLOv3算法损失函数中关于坐标损失的MSE损失,并使用Soft-NMS和Center＿dis-IoU改进NMS算法来降低漏检率。随后在Pascal VOC2007数据集上,将损失函数中关于坐标的损失部分替换为新的边界框回归损失函数,验证其对训练收敛速度和边界框定位准确度的改进并使用Soft-NMS、Center＿dis-IoU验证对于去除重复预测框的优化。（3）基于改进YOLOv3算法的行人检测实验与优化。联合这些改进,并采用基于mix-up策略训练得到的预训练模型权重,在BDD100K数据集上进行多尺度的训练。实验结果表明,模型的检测精度明显提高,漏检率大幅降低,有很高的应用价值。