行人检测作为计算机视觉中的一个重要研究方向,在科研领域中,它为目标跟踪、行人再识别、步态识别等研究提供技术支撑;在生产生活中,它在汽车无人驾驶、灾区的智能救援以及智能监控等方面有着极为广泛的应用。随着深度学习的兴起,基于深度学习的行人检测技术相比于传统方法有了很大的提高,但是当前的行人检测研究依旧存在很多难点。行人所处环境一般较为复杂,在对输入图像进行特征提取时,如何提高网络对输入图像的特征提取能力是较难解决的一大问题。此外,密集场景下行人之间的遮挡问题为检测的准确度造成了一定的影响。本文针对上述的两点问题进行了研究,以本文提出的基于多特征融合的行人检测特征提取网络为基础网络结构,构建了两种新型的行人检测方法。第一种方法是将本文提出的残差密集网络与传统的边缘特征提取方法相结合,以此来提高行人检测的检测精度。第二种方法是在行人检测算法中加入了交并比损失,并将挤压与激励模块和残差密集模块进行了不同方式的组合,以此来解决行人遮挡的问题。首先本文采用聚类算法在实验使用的数据集中得出行人检测算法中使用的锚点。为了提高卷积神经网络对输入图像的特征提取能力,将残差连接模块和密集连接模块合并为残差密集模块,使用由残差密集模块组成的残差密集网络来对输入图像进行特征提取。同时针对行人检测中的多尺度问题,本文在残差密集网络中加入了特征金字塔结构,构建了基于多特征融合的行人检测特征提取网络,实现了对数据集中行人的多尺度预测。通过大量的对比实验证明了基于多特征融合的行人检测特征提取网络的有效性和合理性,以此为基础提出了结合边缘检测的多特征融合行人检测方法和针对密集遮挡行人的多特征融合行人检测方法。对于结合边缘检测的多特征融合行人检测方法,本文研究了不同深度的卷积层对输入图像提取的具体特征,进而得出低卷积层输出特征图中包含较多的输入图像的边缘信息。因此,为了从低卷积层角度提高网络的特征提取能力,本文采用Canny边缘检测算子对输入图像进行边缘检测,将得到的细腻的边缘特征与低卷积层提取的特征图进行结合。最终实验结果证明了结合边缘检测的多特征融合行人检测方法可以有效的提高行人检测的精度。对于针对密集遮挡行人的多特征融合行人检测方法,本文分析了密集场景下行人之间的遮挡给行人检测带来困难的原因,进而提出了交并比损失函数。通过在常用的损失函数中加入交并比损失,提高检测器对行人边框预测的紧致性。针对行人身体部位被其它物体遮挡时,本文构建了五种挤压与激励模块和残差密集模块的融合方式,通过对卷积输出层的特征进行重新标定,提高行人可见部位特征在整体图像提取的特征中所占比重。实验结果证明了针对密集遮挡行人的多特征融合行人检测方法具有很好地提升效果。