随着全球经济回暖,人们对生活质量的追求也越来越高,在节假日期间出游是大家的第一选择,也造成在商场、游乐园以及风景区等公共场所人群拥挤的情况常常出现,极易发生人群踩踏等安全事故。为了能够更好的预防此类公共安全事故的发生,利用行人检测技术对行人进行良好管理与引导是一种重要手段。目前行人检测技术已经成功运用于多个领域,为社会安全、生活便捷等做出不小的贡献。但是对于大小不一的行人在在复杂场景中、行人密集情况下的行人检测的效果仍不理想。本文在行人检测技术研究主要的两个方面进行详细叙述。一方面,基于统计学习特征的行人检测算法,关键在于寻找一个能够对行人良好表达的特征。另一方面,基于深度学习的行人检测算法,其网络固定大小的输入影响了对像素大小不一的行人的检测效率。为了能够在密集场景中对大小不一的行人有良好的检测效果,本文采用将深度卷积神经网络提取得到的特征与传统多尺度部件模型思想相结合的方式,提出了基于深度金字塔多尺度可变型部件模型的行人检测算法(Deep Pyramid Deformable Part Model for Pedestrian Detection.DP2MPD)并提出两点改进。第一,针对卷积神经网络中传统的两种池化方式可能存在的缺陷问题,本文提出了一种混合池化方式,通过参数对两种池化方式进行随机选择,可以更好的对白天以及夜间的行人进行检测。第二,基于深度特征金字塔的部件模型的行人检测,首先对彩色输入图像的不同颜色通道建立颜色空间金字塔,然后将其作为深度卷积神经网络的输入,提取池化层输出的特征映射图谱金字塔,利用滑窗算法在金字塔中寻找行人目标位置,最后通过非极大值抑制以及bounding box回归算法对检测进行后处理操作。最后进行相关实验分析。建立以苏州平江景区监控视频为来源的行人检测数据集,并以其为基础进行多项对比实验,通过对比实验确定最佳性能的DP2MPD算法,并与现有的行人检测算法进行对照分析。本文提出的DP2MPD与其他算法在行人检测的精确上有一定的优越性。