近年来,随着汽车保有量增加,人们在享受汽车带来生活便利的同时,也不断遭受着交通事故引发的伤害。为了抑制交通事故频发及保障生命、财产安全,及时感知交通环境识别前方行人并测量目标与我方车辆的相对距离,为驾驶员提供帮助和支持已成为当前高级辅助驾驶系统的研究热点。传统的行人检测算法无法较好的规避因光照、天气、路况及行人本身等因素引发的困扰,导致实际操作中问题频发,如何更好的处理,是当前亟待解决的困境。本文试以交通环境中的行人为研究主体,拟从基于深度学习的行人目标检测及测距技术层面出发进行探索,通过改进基于深度学习的目标检测算法、优化测距算法等一系列方法,旨在建构一个相对完善的行人目标测距系统。依靠当下火热的深度学习技术,针对当前检测算法难以在高质量检测的同时保证系统实时性运行这一难点,本文基于通用目标检测算法Yolo v4提出一种高检测精度且速度更快的Yolov4-P行人目标检测算法,采用等比例图像缩放和Focus切片重构等技巧提升算法对于小目标行人的检测效果,最终Yolov4-P算法在BDD100K数据集的验证集上,行人目标检测AP50值达到了51.86%,检测一张图片平均耗时仅需16毫秒,速度相比于Yolo v4提升了近25%。由于驾驶环境下行人姿态各异具有多样性,无法利用数据回归建模法构建数学模型对行人目标进行距离测量。本文针对实验环境,在相似三角形测距法的基础上通过搭建几何模型提出了一种拥有俯仰角修正且包含横滚角的几何模型测距法。通过与目标检测算法的结合使用,实现了基于深度学习的行人目标测距系统。本文设计的行人目标测距系统,运行速度达到了62.5帧每秒,在纵向距离60米内的测距平均误差小于6%,并且可通过计算道路消失点修正在车辆行驶途中变化的俯仰角,满足高级辅助驾驶系统的实时行人目标检测及测距需求。