行人检测技术已经广泛应用于自动驾驶、公共安全和人机交互等领域。基于Faster R-CNN的行人检测算法具有较高的检测精度,是利用深度学习进行行人检测的主流算法。这类算法将检测过程分为两个阶段:首先是生成目标候选区域,其次是对该区域进行分类和边界框回归。由于这两个阶段都需要卷积神经网络来提取图像的特征,这导致该类算法的检测速度很慢,难以满足现实应用场景的速度要求。因此,本文以检测速度较快的SSD为基础,对行人检测算法进行优化和改进,使得算法同时具有较高的检测精度和速度。本文首先将SSD应用于行人检测当中,针对其检测精度不高的问题,从增强特征提取网络的表征能力出发,构建了基于特征融合的行人检测器FF-SSD。经分析发现,SSD的深层特征图对于行人和背景的响应都很弱,这不利于行人和背景的区分。鉴于此,FF-SSD将SSD中的浅层特征与深层特征进行融合,使得深层特征图对于行人整体区域的响应较强烈,对背景的响应较弱。实验结果表明,与SSD相比,FF-SSD的检测速度略慢,但在整体上的检测精度有了较大提升。与近期的深度学习行人检测算法相比,FF-SSD的检测速度很快,且在Io U=0.75时的检测精度具有一定的优势,然而,当Io U=0.5时,其检测精度较低。为了进一步提高FF-SSD的检测精度,本文构建了基于级联回归和特征偏移的行人检测器DR-SSD。针对FF-SSD中深层特征图对于部分背景的响应依旧较强烈的问题,DR-SSD采用Res Net作为特征提取网络,使得深层特征图可以有效地区分行人和背景。针对FF-SSD中检测框与标注框相距较远的问题,DR-SSD采用了双级级联的边界框回归模块,使得检测框可以精准地定位行人目标,提高了检测框的质量。同时,DR-SSD引入了特征偏移模块,实现了更精准地特征采样。本文通过多个实验来论证DR-SSD的先进性。实验结果表明,与FF-SSD相比,DR-SSD的检测精度有了大幅提升。与近期的深度学习行人检测算法相比,DR-SSD的检测速度较快,且在Io U=0.75时的检测精度较高。当Io U=0.5时,DR-SSD在Reasonable子集上的检测精度较高。