随着卷积神经网络（Convolutional Neural Networks,CNN）在计算机视觉领域的快速发展,目标检测、目标跟踪等领域取得了重大进展,人头检测也广泛应用于生活中,如景区的人流量统计,地铁站、高铁站的客运量统计等。人头检测是行人检测的一种特殊检测方式,复杂场景下的行人检测存在着行人遮挡问题,如行人与行人、行人与物体之间的遮挡。众所周知,与人体的多变性相比,人体的头肩区域的形状变化范围小,而且稳定性高,但是人体头部在人体整个区域中占比较小,现有的通用检测方法在小目标检测上仍存在识别精度低的问题。因此,针对目标密集、人头目标较小的问题,设计了一种改进的特征提取网络DR-Net和空洞卷积融合模块（Mixed Dilated Convolution,MDC）的人头检测算法DRM-YOLO。本文提出了一种基于深度学习的人头检测的方法,主要完成的工作有:（1）设计了一种Res Net与剪枝后的Dense Net结合的图像特征提取网络DR-Net,能够有效应对目标密集、遮挡情况等复杂场景下的特征信息提取。该网络以Dark Net-53为主干网络,对于其中的残差结构进行剪枝,设计了一个四层的Dense Block进行结合,形成一个基于残差与密集连接的图像特征提取网络。目的在于减少参数量,在构建网络深度的同时保证网络在反向传播中采用随机梯度下降从而让网络达到收敛,加强层间信息流通,充分提取特征,得到语义信息较为丰富的特征图,以便送入后续检测网络更好的分类与预测。（2）设计了一个基于空洞卷积的MDC网络结构,按照膨胀率不同分别命名为MDC1和MDC2,将三个MDC模块积嵌入到检测网络YOLO-Head前,当完成空间特征金字塔的操作之后,使用MDC将四个上下文信息感知模块进行特征融合,再送入YOLO-Head进行检测,旨在扩大对小目标的感受野并融合不同感受野的信息,获取更多细粒度信息,有效提升了对小目标的检测率。（3）由于本文检测的目标是人体头部,在图片中对于其他物体或者背景来说属于小目标,原来的YOLOv3的Anchor Boxes不在适用于现在的场景,所以需要对Anchor Boxes重新聚类,以更好地适应所研究的人体头部,为此设计了基于D-IOU的K-means算法,对三个公开数据集的Anchor Boxes重新进行了聚类,结合本文所检测的目标计算出了目标检测网络新的Anchor Boxes。