行人检测是机器人技术、智能家居系统和智能视频监控等一项必不可少的技术。主要是指对视频或者图像中的行人进行目标的定位与识别。快速且有效的行人检测方法在生活的各个方面起着关键的作用。然而,现实生活场景中的行人往往会具有光照不足、背景复杂、衣着各异、人群密集、遮挡度高以及多尺度等特点,使行人检测领域研究相当具有挑战性。现有的行人检测技术在现实生活中检测行人的效果不佳,并且存在许多问题需要解决。针对上述存在的问题,本文主要采用深度学习的方法对现实场景的行人检测进行研究,主要研究工作如下:(1)提出一种基于Faster R-CNN与多层特征融合并且构造金字塔层次结构的行人检测方法。针对Faster R-CNN模型在遮挡行人检测性能不佳等问题,为有效地利用多层卷积输出特征图的信息,将原始Faster R-CNN网络架构的特征提取模型进行不同卷积层进行特征融合,设计一种金字塔层次的RPN架构,并且对不同改进算法进行实验分析,验证了该方法的可行性。(2)设计一种融合残差密集单元的YOLOv3算法的行人检测方法,首先根据行人数据集进行聚类分析,其次由于YOLOv3网络层数较深,为减少逐层信息的丢失等问题,在该网络的深层引入残差密集模块,并额外引入局部以及全局特征融合的方式,进一步提高行人检测的准确率和召回率。