行人检测作为计算机视觉领域的一项关键技术,在许多领域实现应用落地,如人体行为分析、智能交通、智能视频监控、智能机器人等。在辅助驾驶领域,行人所处环境是在户外的,室外天气变化多端,使得交通场景中的行人识别一直是一个重要的研究课题。本文重点对基于神经网络的交通场景行人检测算法进行研究,以提高检测精度、保证检测时间为目标,提出一种改进的区域候选网络,用于检测交通场景下的行人。（1）建立交通场景下的数据集,通过采集、筛选和预处理等操作完成数据集的建立工作。本文通过从公开数据集以及截取的实际场景的图片,共选取训练验证数据集图片数1298张,测试集的图片数179张,其中训练集和验证集的比例设置为7:1,所选取的图片中应包含至少一个直立行走的行人。（2）RPN网络中候选框的聚类分析。原RPN网络中的锚框尺寸是根据所使用的数据集进行设计的通用尺寸,无法很好地应用到交通场景中的单一行人目标检测,因此利用K均值聚类方法对其作出改进。具体方法是读取并分析所有行人的标签,分别得出9个不同的锚框尺度,使其更符合实际中的比例。实验结果表明聚类前后的AP值得到了9.33%的提升。（3）特征提取主干网络进行两个方面的研究和实验:一方面使用更轻量化的Mobile Net来替代原来的VGG卷积网络;另一方面融合两种网络的部分结构,将融合后的卷积网络作为新的特征提取网络。实验结果表明改进前后的AP值得到了12.02%的提升。