近年来随着我国经济科技的发展壮大,交通需求也同样呈几何倍数增加。大量中小型汽车保有量带来的道路交通拥堵和交通事故频发问题,不仅对公共交通的安全造成巨大挑战,还对我国蓬勃可持续发展的经济体产生相当程度的负面影响。统计数据显示,我国的汽车保有量仅为全球保有量的5%左右,但是每年在我国发生的交通事故却远远超过这个比率。我国每年因为交通事故而导致死亡的儿童数量都会破万,事故中儿童行人的死亡率更是欧美国家的数倍。目前在国内国际交通驾驶中对于儿童行人这一高危群体缺乏足够的重视和相应的研究方向。本文通过分析对比多种目标检测算法框架,选择在基于深度学习的开源YOLOv3目标识别应用框架下,采用darknet算法框架作为原始的深度学习基础网络结构模型。本文主要工作主要包括三部分:数据库构建与前处理、儿童行人行为预测系统搭建验证、系统性能优化。数据库构建过程需要收集采集不同相关数据库中的儿童行人样本、补充拍摄采集学龄儿童上下学图片数据样本,数据前处理需要选用不同的图像处理开源库对光线强度欠佳、细节模糊、图像角度倾斜、遮挡严重等情况的图像进行筛选增强,提高系统检测性能。将所有筛选处理好的样本按照六类儿童行人行为进行目标标注分类。在适配的实验平台进行整个儿童行人行为预测系统的搭建和预测,一方面分析系统的功能性能需求和技术实现难点,另一方面选取合适的的训练参数和训练流程对模型进行训练,根据业界通用的衡量指标对训练完的模型检测结果进行对比分析。针对训练模型的不足之处,通过优化相关模型训练参数,同时采用难例扩充和漏识别迭代扩充方法对原始数据集进行扩充,通过对比分析不同权重模型产生的检测结果,选择出检测效果最好的模型作为系统模型。优化后的模型各类别平均精确率达到74.17%,检测速度可达到27fps,符合系统功能性能需求预期。