非常态环境下的行人检测、跟踪以及轨迹预测是行人交通安全研究的重要问题。由于在非常态环境下行人更加容易发生安全事故,因此相比较常态下的行人研究,对非常态环境下的行人展开研究对保障行人交通安全,降低风险损失具备十分重要的意义。鉴于目前针对非常态下的行人检测、跟踪及轨迹预测系统性研究较少以及研究方法中存在的不足,本论文基于深度学习的方法着重解决非常态环境下行人的检测,跟踪以及轨迹预测问题,所作的工作主要包括如下六个部分:1.围绕非常态环境下的行人检测、跟踪及轨迹预测研究发展趋势,阐述了行人检测,行人跟踪,行人轨迹预测以及行人交通流理论的研究现状,分析了基于深度学习对非常态环境下的行人进行研究的必要性。2.从设计理念、特征提取网络以及损失函数三个方面对比两类先进的目标检测框架-YOLOV3,SSD,通过自制非常态环境行人数据集APD结合公开数据集VOC对框架进行重训练,对比两类框架对非常态环境下行人检测结果,实验结果表明YOLOV3-VOC+APD对行人的检测精度为0.88,优于基线模型。通过对实例进行检测结果可视化分析,对比发现YOLOV3-VOC+APD能够有效识别非常态环境中模糊目标,小目标以及边缘目标。3.依托YOLOV3-VOC+APD底层检测框架提出了融合深度特征的行人跟踪算法,在公开数据集上与基线模型Sort算法进行了对比,论证了融合深度特征的跟踪算法产生的跟踪框能够与检测框在时间维度上较好匹配且能够解决行人之间长时间遮挡导致的ID频繁切换问题。4.为了对比算法对行人轨迹提取的准确性,考虑跟踪算法提取的轨迹为非完整序列轨迹,因此采用动态时间扭曲（DTW）算法将跟踪算法提取的轨迹与手动标记的轨迹数据在时间维度上进行对齐并评估轨迹相似性,以非常态环境下的三条行人轨迹为例进行实验性能测验,结果表明算法提取的轨迹与人工手动标记的轨迹数据具备高度相似性,其中横纵向轨迹相似性距离均低于0.03。5.针对融合深度特征的轨迹跟踪算法展开拓展,提出一种非常态环境下的行人交通流参数自动收集方法,主要包括:基于跨线规则的流量采集,基于兴趣区的密度采集及基于图叠加的密度监测,基于行人轨迹插值补全的速度计算。实验结果表明,非常态环境下关注截面最大人流量为1人/（米.秒）,对应服务水平D级;瞬时密度最大为0.29人/平方米,行人在该非常态环境下存在较自由的活动空间;平均速度为2.6m/s,行人之间的速度存在差异性,标准差为1.1m/s。6.针对非常态行人轨迹数据提出一种考虑行人交互行为的行人轨迹预测模型Seq2Seq-GAN。Seq2Seq-GAN与多个轨迹预测基线模型在公开数据集上进行泛化性能对比,实验结果表明Seq2Seq-GAN的平均位移误差为0.59米,最终位移误差1.19米均低于基线模型,对比结果证明了Seq2Seq-GAN对行人轨迹预测的有效性,适用性及先进性。结合模型对非常态环境下行人轨迹预测结果进行可视化,结果表明轨迹预测结果平均位移误差均低于1米,预测轨迹虽然与真实轨迹存在一定偏差但趋势基本一致且预测轨迹结果符合社会规范。另外,考虑静态目标影响能够有效改善模型的预测精度。