据相关资料显示,国内每年有数十万车祸发生,导致数万人死亡。如何提高汽车行驶的安全性,是智能交通、车辆辅助驾驶、无人驾驶等新兴领域关注的焦点。作为计算机视觉的一个重要方向,行人检测能够让计算机对行人进行识别并判断其位置。若能提升行人检测效果,提高计算机对于行人识别的准确率和速度,就能够辅助汽车在紧急情况下提前进行制动,避免车祸的发生,从而有效保障行人安全。因而行人检测受到了越来越多的关注。为了提高行人检测的效果,学习到行人代表性的特征,很多基于统计学习方法的行人检测算子被相继提出,这些方法都是浅层的机器学习模型,需要人类专家进行手工设计,并且不同的任务所采用的特征并不相同。而随着科技的进步,深度学习近几年取得了突破性发展,它能模仿人脑的机制处理数据,在图像分类、自然语言处理等领域获得了巨大成功,显示了深度学习有着强大的提取全局特征能力和表达能力。然而现有的利用深度学习进行行人检测的文章较少,为填补现有研究的不足,本文研究了基于深度学习的行人检测方法。首先,本文对行人检测的研究背景与现状进行了概述,对常用行人数据库进行了说明,继而以梯度方向直方图为例,介绍了基于统计学习的行人检测研究方法,展示了检测的效果,分析其优缺点。然后本文研究了深度学习技术,分析了卷积神经网络的性质和特点,研究如何利用误差逆传播算法进行网络参数的训练,指出了训练网络过程中相关的经验和技巧。接着使用Faster R-CNN模型进行行人检测,通过卷积神经网络解决了行人候选区域的获取以及特征提取的问题。通过仿真对比,本文提出的方法漏检率为23%,远低于典型统计学习方法,并且取得了速度与性能的折中,展现了深度学习方法的优越性。此外,还搭建了真实环境下的行人检测系统,进一步说明了基于深度学习的行人检测有着巨大的发展潜力。最后,本文对创新点进行了总结并对未来的研究做了展望。