行人車輛檢測在自動駕駛、增強現實、智慧安防、智能交通等諸多領域都有著廣泛的應用，近年來受到學術界和工業界越來越多的關注。針對這一問題研究者們提出了很多有效的方法，但由于實際場景中經常出現光照變化、尺度變化、部分遮擋等不可控因素，行人車輛檢測仍然是一個很有挑戰性的問題，在精度上還有待提升，而且現有的方法模型復雜度普遍較高，速度上也無法滿足實際應用的需求。本文對行人車輛檢測進行了系統的分析和研究，改進和優化了現有的模型，提升了檢測的精度和速度。本文的主要工作如下：

　?。?）提出了一個端到端的分層全卷積神經網絡——EFCN。為了降低模型前向傳播的計算量，EFCN采用輕量級的深度神經網絡MobileNet作為基網絡。同時，為了解決實際場景中目標尺寸變化大的問題，EFCN使用同一個網絡中不同分辨率的網絡層對輸入圖像中不同大小的目標進行檢測，并且在每一個預測層的頂端增加了一個優化模塊，優化模塊通過反卷積和跳躍連接將深度神經網絡中包含目標細節的高分辨率特征層和包含目標高級語義信息的低分辨率特征層進行調制融合，構造出了對行人車輛具有魯棒性的特征表達。本文在KITTI數據集上評測了EFCN算法的性能，并且從檢測精度，檢測速度和模型大小三方面將我們的模型與當前主流的目標檢測算法進行了對比，實驗結果證明我們的模型在檢測精度和檢測速度之間取得了較好的平衡，EFCN在KITTI上能達到和Faster R-cNN相似甚至更好的檢測精度，但是EFCN的檢測速度比Faster R-CNN快了31倍，模型的參數量也比Faster R-CNN少了25倍。

　　（2）為了進一步提高EFCN算法的檢測精度同時不降低算法的檢測速度，我們在原有模型的基礎上增加了物體性檢測模塊，利用物體性檢測損失作為網絡訓練的目標函數之一，能夠在學習到的特征層中引入前景與背景信息，對檢測目標具有更好的表征能力。同時，利用物體性檢測分數作為先驗來引導目標物體的搜索，提前去除大量的背景樣本，大大減小了樣本的搜索空間，一定程度上緩解了單階段目標檢測算法中類別不平衡的問題。實驗結果證明改進后的EFCN算法在提高檢測精度的同時幾乎不增加網絡的前向計算的時間。