铁路运输兼顾货运和客运,是关乎国计民生的运输大动脉。现阶段铁路运输仍无法做到全封闭运行,因铁路基础防护设施薄弱而导致的铁路交通事故时有发生。其中,行人入侵是影响铁路行车安全最为重要的因素之一,实现铁路关键区域实时行人检测与报警将为列车行车安全提供保障。目前,短焦距摄像机广泛应用于铁路场景监控,为有效解决大视场下小尺度行人检测精度低而引起的高漏报率、高误报率等问题,本文展开基于深度学习的铁路场景小尺度行人检测算法研究。论文主要完成工作如下:（1）针对铁路场景小尺度行人检测精度低的问题,提出了一种基于注意力和多级特征融合的小尺度行人检测算法。基于YOLOv3设计行人检测基础网络,结合小尺度行人特性从多尺度预测、注意力机制引导下的特征融合以及损失函数优化三方面实现网络的改进与优化。实验结果表明该算法相较于改进前基础网络具有更高的检测精度,在铁路场景数据集对数平均漏检率由25.2474%降至9.1843%。（2）为充分利用小尺度行人的视频帧间运动信息,提出了一种结合运动信息的视频小尺度行人检测算法。将连续帧作为网络输入,引入三维卷积学习提取帧间行人运动信息,同时结合自适应特征融合模块实现行人空间位置信息和运动信息自适应聚合。在铁路场景数据集测试结果表明,该算法将对数平均漏检率由9.1843%进一步降至6.8919%,有效改善了存在部分遮挡、受复杂背景干扰等情况下小尺度行人的错误检测问题。（3）为进一步降低小尺度行人漏检率,设计了一种结合多目标跟踪的视频小尺度行人检测算法。将DeepSORT多目标跟踪算法作为检测网络的后处理,实现轨迹上漏检行人的再补充。实际铁路场景测试结果表明,该算法有效提高了对于小尺度行人的检测精度,将对数平均漏检率降至5.3527%。（4）针对卷积神经网络参数量多、运算量大的问题,对网络结构进行轻量化,设计了一种轻量级特征提取网络。利用深度可分离卷积替代常规卷积减少网络的参数量、运算量,同时引入倒残差结构提高模型的特征提取能力。实际铁路场景测试结果表明,该网络在保证检测精度的前提下将模型大小由248.4MB压缩至110.9MB,加快了算法运行速度。本文致力于提升铁路场景小尺度行人检测精度,从单帧输入、连续帧输入、后处理以及轻量化四个方面对网络进行优化设计,经测试本文算法有效降低了小尺度行人的漏报率、误报率,具有良好的发展前景和实际应用价值。