近年来,随着人工智能技术的迅速发展,推动着许多领域不断革新。无论是无人汽车的自动驾驶,还是监控视频的自动预警,行人识别都成为亟需解决的核心问题之一。基于特征的传统机器学习方法一度成为行人识别的主要解决方法,但随着场景愈发复杂,不同的视角、环境和光照等都会对识别效果产生不利影响。随着大数据时代的到来,传统机器学习也无法适应海量数据的处理需求。因此,基于深度学习的行人识别方法近年来逐渐成为该领域的研究主流。本文通过对目前行人识别研究领域的分析和讨论,设计了一个基于深度学习的行人识别框架,它是由区域生成网络和深度卷积神经网络两部分组成。区域生成网络生成若干候选区域和相应的评分,深度卷积神经网络对候选区域进行分类,最终融合两个网络的得分作为最终预测输出。针对拥挤场景中行人互相遮挡的情况,本文提出了一种改进的区域回归策略,在候选区域进行位置回归的过程中考虑多重因素的影响,包括趋近预测目标行人区域及远离邻近的非目标行人区域等要素,减少回归过程中的偏移和定位错误。本文通过提取图像中的语义信息帮助模型更好的进行分类,分别在区域生成网络和深度卷积神经网络中增加语义分割层,提取图像中的语义信息与高维卷积特征进行融合,提高整体识别的准确率。除此以外,本文还通过使用Soft-NMS策略降低NMS阈值对模型的影响。最后,本文对模型进行训练和测试。经过对比实验表明,改良区域回归策略和融合的语义分割层能够有效提高模型的识别效果,降低模型漏检率。和其他方法进行对比表明,本文提出的方法具有较低的平均漏检率,验证了算法框架的可行性。