行人检测技术,作为计算机视觉中目标检测的重要分支,在智能辅助驾驶,安防监控,服务机器人等领域有着广泛地应用。近年来,随着深度学习在计算机视觉领域的崛起,行人检测技术进入了一个快速地发展时期,出现了许多基于深度卷积神经网络的行人检测算法,并不断取得突破性的成果。在当前多尺度特征图的实时行人检测算法中,针对图像中占比较大的中大尺度行人目标的检测已经取得了较好的效果。但是,小尺度行人目标由于组成像素较少,易受周围环境和图像噪声等影响,并且经过神经网络中池化层和卷积层后,特征图像维度和分辨率进一步减小,造成漏检和误检,是阻碍行人检测算法应用的一个难题。故而针对小尺度行人目标的检测算法的研究是实现准确、快速、鲁棒行人检测算法的前提,具有重要理论意义和实际研究价值。本文在详细分析了深度学习行人检测的理论基础之上,就目前复杂道路场景中小尺度行人目标检测漏检率较高的问题,基于RFBNet(Receptive Filed Block Net)设计了通道Shuffle多级特征融合的网络,简称CSMF-RFB(Channel Shuffle Multi-level Feature Fusion RFBNet)。该网络通过反向融合的方式将多尺度特征图通道间Shuffle后的深层特征组多级融合到浅层,将深层语义信息和浅层位置及纹理等几何信息进行有效地融合。在Caltech行人数据集上通过对比实验验证了该模型的有效性。为了进一步提高小尺度行人目标检测效果,提出了DS-RFB(Distance-Io U with Shallow feature RFBNet)算法,主要改进点为:首先,针对评测和回归损失函数中评价指标不等价问题,引入基于交并比和中心点距离的DIo U Loss(Distance Intersection Over Union Loss)和DIo U NMS(Distance Intersection Over Union Non-Maximum Suppression)对回归损失函数和非极大抑制算法进行改进。其次,考虑到原算法中浅层特征信息丢失较多问题,对网络进行修改,引入更浅层特征层,并新增改进后的RFB模块及Normalization层,保证其感受野和收敛性,去掉部分深层特征层,兼顾检测效果和速度。再次,根据复杂交通场景下的行人先验信息,对Prior Box铺设策略进行重新设计,更加符合多尺度行人。最后,针对浅层Prior Box较多引起的正负样本不均衡问题,引入Max-out Background Label策略,减少负样本量的同时学习到更多困难样本。经过对比实验证明,上述几点改进能在保证实时性的基础上有效提升小尺度行人检测效果,并且具有很好的鲁棒性。