随着视频监控设备在公共安全、智能交通、平安城市等诸多领域中被广泛使用,对该类设备获取的视频监控数据的智能化处理变得越来越重要。行人检测技术是视频监控系统中实现行为分析等智能处理功能不可或缺的关键环节,但是由于行人自身姿态的多变性、所处环境的复杂性,以及行人发生遮挡时的信息丢失,在目标检测领域各类场景下的行人检测依旧是难点和重点。针对复杂环境中对行人的遮挡、行人间的相互遮挡,以及行人姿态多变等影响行人检测精确率和召回率的问题,本文根据深度学习网络通过训练样本的学习,获得能够对环境变化以及行人姿态变化具有强鲁棒性的模型,采用Faster RCNN网络模型构建行人候选区域的检测器,以适应行人姿态的多变性,以及环境的干扰,由此提高行人检测的精确率;之后依据可变形部件模型对行人特征的分块描述结构,提出了一种行人遮挡的部件模型参数自适应调整方法,构建动态权重调整策略。对每个行人部件检测器的权值进行动态调整,从而增强其对行人被遮挡情况时的检测敏感性。将其用以对Faster RCNN网络模型的检测结果进行校验,检测出因遮挡而漏检的行人,由此提高行人检测的召回率。在北大行人检测数据集上进行测试的实验结果表明,本文算法在提高行人检测精确率的同时,也可提高行人检测的召回率。