行人检测是自动驾驶、机器人、智能视频监控等领域的关键技术,也是计算机视觉任务中的重要组成部分。近十年来,从早期传统手工特征方法到现今主流的深度学习方法,行人检测技术取得了巨大进步。但是由于道路环境的复杂变化,行人目标受到遮挡、光照变化等因素的影响,要实现准确、快速且实用的检测方法仍存在一定困难。本文围绕行人检测任务面临的遮挡、全天候检测中的光照变化问题开展研究,同时兼顾检测的准确度和实时性。本文主要研究内容如下:针对目前遮挡行人特征提取困难导致检测准确度较低的问题,提出了一种基于注意力机制的检测方法。该方法首先采用金字塔结构的特征提取网络获取图像不同尺度和信息量的特征。然后基于特征通道和空间注意力机制设计了一种注意力模块,引导网络关注并突出遮挡目标,并将该模块嵌入到多尺度特征融合过程中,以增强网络对于遮挡目标的特征表达能力。最后,不同于主流方法采用的基于先验框的预测方式,该方法将行人检测问题转化为高层语义特征检测问题,采用激活图的形式得到预测结果。通过在公开数据集上进行的实验,验证了该方法在遮挡行人检测准确度和实时性上具有优势。针对全天候行人检测任务中存在的光照变化问题,特别是夜间低照度条件下可见光图像信息不足导致漏检率高的情况,提出了一种基于多光谱特征融合的检测方法。由于现阶段全天候行人检测器以两阶段方法为主,缺乏检测实时性,所以该方法首先构建了一种轻量化的特征提取网络分别提取可见光图像和红外图像的特征。然后通过设计的多模态特征融合结构对多光谱特征进行融合。此外,通过改进的低照度图像增强方法提升夜间可见光图像中行人的可见度,以进一步增强算法夜间检测能力。最后,采用无先验框的激活图预测方式得到最终结果。通过在公开数据集上进行的测试,验证了所提方法能较好适应全天候检测环境,尤其在夜间环境下取得了领先的检测准确度,同时具备实时检测的能力。