近年来,得益于深度学习技术的快速推广,目标检测领域得到了大力发展。行人检测技术一直是目标检测领域研究与应用的热点,例如无人驾驶、智能交通、智能视频监控等技术的发展都离不开行人检测。其中智能监控系统在现代生活中更是得到了广泛应用。本文所研究的行人检测方法主要的应用环境是针对监控下的场景,是智能监控系统中的一个重要组成部分,可以对监控视频中出现的行人进行实时检测,其具有一定的实际意义。本论文首先介绍了行人检测技术在监控场景下的应用背景,并对该技术在国内外的发展历程和研究现状进行了详尽的分析;然后对行人检测方法中的几项关键技术和当下正处于研究前沿的深度学习技术进行了概述,并将基于深度学习的目标检测算法运用到行人检测任务中,对比不同模型的检测性能,选取最优算法;最后,针对监控场景下人流密集时行人躯干部位容易被遮挡的问题,本文提出了一种基于行人头部的检测模型,同时为满足监控场景下的实时性检测要求,使用了基于端到端的目标检测算法YOLOv3来训练行人头部检测模型。考虑到YOLOv3算法缺乏目标针对性,并不完全适用于监控场景下的行人检测任务。所以本文针对这一问题作出改进,主要工作如下:(1)准备行人数据集,并对训练集中的行人头部进行标注,建立行人头部模型;(2)针对行人头部模型的特点对先验框进行聚类,重新选取更适合的先验框数目和维度,以及网络结构调整;(3)模型训练及测试,参数调优,得到最终模型。为了验证本文行人头部检测模型的准确性,文中分别以行人图像和监控视频为检测单位,利用INRIAPerson和PASCAL VOC等数据集对该模型进行测试,并计算其检测准确率、漏检率和检测速率。同时,将该模型与基于Faster R-CNN,YOLOv2和YOLOv3的行人检测模型进行了对比,结果证明其在准确率、漏检率和检测速率上的综合表现优于其它模型。实验表明了本文工作对于实现监控场景下的行人检测具有一定的有效性。