随着视频监控、智能机器人和智能安防等应用领域的快速发展,行人检测技术也逐渐走进大众视野。针对单一的行人检测任务,国内外学者已经开展了相关技术研究,但通用的目标检测算法在复杂背景下对行人检测精度不高。为了提高行人检测的精度和速度,设计基于YOLOv3算法的行人检测模型,提出多尺度特征融合的行人检测方法并对其进行改进。针对行人检测漏检、误检问题,改进算法内容包括:一方面通过增加检测层来融合全局和局部多尺度特征信息,提升对行人目标特征提取能力。在网络后处理阶段,引入GIoU-loss作为边界框损失函数。另一方面通过特征提取网络结构改进以及采用线性尺度缩放方法优化候选框。本文具体工作如下:（1）对行人检测的研究背景及意义进行阐述,研究基于传统方法和深度学习方法行人检测技术;重点介绍行人检测最新技术优势和不足,分析行人检测技术研究难点,重点研究基于YOLOv3算法的行人检测模型,并从目标定位、多特征融合、非极大值抑制、K-means算法四个过程进行详细分析,最后在INRIA行人检测数据集上得出初步实验结果。（2）针对行人检测中存在漏检问题,本文提出改进多特征融合的行人检测算法。该算法首先通过增加多尺度特征融合预测,对行人目标实现充分的浅层网络和深层特征提取,然后经过route层来对模型进行特征融合,设计YOLOv3＿New Layer改进的网络模型;其次为提高模型检测精度,设计GIo U-loss作为边界框损失函数,改进的网络即为YOLOv3＿GIo U;最后通过实验对比,优化的网络模型具有更好的检测性能。（3）在复杂行人检测场景下,为近一步提高行人检测的准确率,本文提出线性尺度缩放K-means的行人检测算法。该算法一方面改进特征提取网络结构,将BN层融入卷积层,提高模型的前向推理速度,设计优化的模型即为YOLOv3＿BN。在另一方面,提出线性尺度缩放方法对K-means聚类后的候选框进行优化处理,设计改进的模型即为YOLOv3＿Linear Scale,并通过网络训练参数的优化结合多特征融合思想在INRIA标准行人数据集上进行训练。实验结果表明,本文优化的行人检测算法具有更好的泛化能力,提高了检测精度和速度。