行人检测作为自动驾驶、智能监控、智能机器人等现实应用的关键组成部分,一直以来备受研究人员的关注。近年来,随着计算能力的提升和标注数据集的扩充,许多行人检测算法通过应用深度学习技术已取得了不错的进展,但是实际应用场景中,行人检测仍面临尺度多变、姿态多样、目标密集等难点影响检测精度。另外,计算机视觉技术的更深入发展使我们迫切地希望对检测到的行人能提取出高层的语义信息,即行人属性精细化识别,此课题的研究能极大推动智能安防建设。然而,尽管已有不少此方面的研究工作被提出,真实场景中的行人属性识别由于面临视角变换、低分辨率、运动模糊等巨大挑战仍是一个待解决的难题。针对以上问题,本论文对基于卷积神经网络的行人检测算法和行人属性精细化识别算法两个方向进行了深入的研究。在行人检测方面,本论文基于YOLOv3通用框架改进的算法主要有如下特点:1.符合行人形态先验和尺寸分布先验,有利于算法收敛到更好的精度。2.使用本文整合的综合数据集训练,提高了网络学习到的特征质量。3.通过引入基于IOU的置信度惩罚,实现软化的非极大值抑制算法并应用到检测的后处理流程中,增强了算法对密集行人场景的检测能力。本文改进的行人检测算法在Caltech上评测,Miss Rate为10%,在1080Ti上的处理速度为45FPS。在行人精细化识别方面,本文主要做了以下工作:1.设计实现了基于多标签分类的行人属性识别算法,并针对行人属性分布不均这一难点,用带权的交叉熵损失函数改进了多标签分类损失。算法在RAP上基于标签评价mA为74.06,基于实例评价准确率为65.44,F1值达到78.02。2.采用部件检测的方式实现行人精细化识别。提出了行人部件分阶段检测识别和一阶段联合检测识别两种方案,实现的二阶段算法采用COCO评价标准测试AP达到39.44。