信息化时代,人们追求更为有效的数据处理方式。以视频图像为载体的行人检测技术,由于其广泛的应用价值,成为当下研究的重点。传统机器学习领域内设计的行人检测算法,受限因素较多,进步空间不大。深度学习在图像处理方面展现出巨大优势,能够更为深刻的提取有效信息。近年来,人们尝试了多种不同的基于深度网络的行人检测方法,并取得了不错的检测效果。然而,当前基于深度网络的行人检测方法,大多不能得到检测效果与检测速度共赢的局面。一方面,通过堆叠网络层数来提高深度模型特征提取能力,将会导致模型参数的增多影响检测速度。另一方面,检测速度的提升,通常意味着模型不能取得较为满意的检测成绩。如何实现集检测效果和检测速度并优的行人检测算法,成为本文研究的重点。针对上述问题,本文提出了一种基于卷积神经网络的实时行人检测算法。首先,根据卷积神经网络的研究成果,采用简化Inception思想、降低卷积核大小、去全连接等方式,设计了一种网络层数高、参数少、运行速度快的特征提取模型。然后,在上述特征提取模型的基础上,使用改进的区域推荐方法,完成整个行人检测模型的设计。其中,将区域推荐方法的应用范围由单一的特征图,转变为在不同特征图上的推荐。根据行人的特殊性,设定更加符合的行人预测框。为解决较小行人像素容易导致模型漏检的问题,本文提出了相应的改进方法。最后,使用本文提出的扩充行人检测数据集ETH+,对模型进行了相应的实验。实验结果显示,本文提出的特征提取模型,较其他经典卷积网络,具有相似的特征提取效果和更高的运算速度。本文设计实现的深度行人检测方法,较其他典型算法,在检测效果和检测速度上取得更为平衡的成绩。该行人检测算法,在保证准确率的情况下,可以满足实时检测的目的。