行人检测技术的发展使其应用领域越发广泛,尤其在智能辅助驾驶和无人驾驶领域,行人检测技术已经成为促进领域发展的关键技术之一。本文以智能辅助驾驶以及无人驾驶为大背景,针对特殊情境——运动模糊场景下的行人检测进行研究。（1）本文充分研究车辆行驶时所面临的实际状况,建立行人运动模糊场景模型。考虑实际路况中噪声的影响不可避免,以及车辆实际行驶状况中由于车载摄像头和目标场景因为相对位移造成的成像模糊属于全局一致的运动模糊等情况,以高斯噪声和全局运动模糊为先验,通过建模的方式模拟运动模糊场景,并以此丰富模糊行人数据集。（2）在实际场景中,图像的模糊程度因场景而异,为使算法在不同模糊程度的场景下都能达到较好的复原效果,本文提出一种自适应运动模糊图像复原算法——AL-R（Adaptive Lucy-Richardson）。针对传统L-R算法适用范围的局限性,本文对此加以改进,用频域法估计模糊核,并将估计得到的参数作为L-R算法的模糊核输入参数。（3）在自适应运动模糊图像复原算法基础上,提出一种图像质量评价方法:计算模糊图像边缘像素数占整幅图像像素数比值（Nr）评价图像的质量,并将该方法与L-R算法相融合,该图像质量评价指标主要通过计算L-R算法每一次迭代后图像的Nr值,并通过对比Nr数据值获得最优复原质量的图像。Nr的值越小则图像质量越好,当Nr的值在不断迭代的过程中出现增长的情况时,就将上一次的迭代图像作为迭代过程中的最优复原图像,并停止迭代输出。（4）针对基于传统支持向量机（SVM）的HOG特征检测行人的方式难以准确检测运动模糊情境下的行人的问题,提出将AL-R算法与HOG特征融合的图像特征提取方法,实现对运动模糊图像的行人特征提取,将提取的特征与SVM结合,实现对运动模糊图像的行人检测。通过实验数据对比可以发现本文提出的AL-R算法应用于HOG特征提取中,可以提高行人特征提取的准确度,与传统HOG特征相比,本文所提出的方法可以获得更高的行人检测率,且更适用于运动模糊场景下的行人检测。