针对道路交通中目标所处环境复杂，存在模型对关键特征提取不充分、目标定位准确率低的问题，选取SSD模型为基本框架展开了特征提取方式、关键信息增强和非局部性特征定位的研究。首先，为针对性地解决道路交通场景下目标多尺度的问题，提出跳跃式反向特征金字塔结构，生成更具判别力的特征；其次，为解决不同语义层次的信息对特征融合过程贡献度不同的问题，设计基于注意力机制的自适应特征融合模块，在通道层面非先验地增强关键特征表达能力；最后，引入十字交叉注意力模块，提升模型对目标的位置敏感度。实验结果表明，与原始SSD模型相比，在保证实时性的情况下，改进方法的精度均值在PASCAL VOC子数据集上提升了2.6%，在自制道路交通数据集上提升了3.9%。综合考量，改进算法可广泛适用于道路车辆与行人检测任务中。

针对街道等多人流量场景图像中人员密集、姿态变化多、人体遮挡严重造成的行人检测漏检问题，提出一种多分支无锚框网络（MBAN）行人检测方法。首先，在检测模型主干网络后加入多分支网络结构用以检测行人的多个关键区域局部特征；然后，设计了关键区域之间的距离损失函数引导分支网络对行人的局部检测位置进行差异化学习，接下来为了提高分支网络对行人局部特征空间信息的理解能力，在Resnet50网络尾部加入四个上采样块构成沙漏结构（Hourglass）；最后，设计了一种局部特征选择网络自适应抑制多分支输出的非最优值，消除预测时的冗余特征框。实验结果表明MBAN方法对多人流量场景行人检测的mAP值、F1值、Prec和Recall分别达到85.22%，0.87，80.07%和94.39%，证明该方法对密集人群检测能力较强，与其他行人检测算法相比有较高的召回率。

行人被严重遮挡导致无法提取有效特征是行人检测中出现漏检的一个主要原因。为了解决该问题，提出一种语义增强引导特征重建的遮挡行人检测算法。首先，利用空间和通道之间的依赖性设计了语义特征增强模块，建立全局上下文信息用以增强遮挡行人特征。其次，为关注行人的可见区域，通过自适应特征重建模块生成语义分割图，自适应调整通道的有效权重，增强行人和背景的可判别性。最后，通过多层次级联语义特征增强和自适应特征重建两个模块得到多层次特征图，融合多特征用以最终的行人解析。实验结果表明，该方法在具有挑战性的行人检测基准CityPersons和Caltech上，对严重遮挡目标的漏检率分别实现了47.28%和44.04%，在遮挡行人的检测上相较于其他方法具有较好的鲁棒性。

针对红外行人图像中待检测目标存在多尺度及部分遮挡导致传统算法难以准确检测的问题，提出一种动态特征优化机制下的跨尺度红外行人检测算法。为解决复杂环境中行人目标特征难以有效表达进而造成目标检测精度低的问题，提出一种动态特征优化机制，通过设计亮度感知模块及EG-Chimp优化模型在增强输入图像局部对比度的同时抑制背景信息；搭建了CSPDarkNet特征提取网络，并在其基础上构建CSFF-BiFPN特征金字塔结构以及跨尺度特征融合模块，以提高检测网络对多尺度及部分遮挡行人目标的检测精度；为进一步精确定位行人目标，引入CIOU损失函数加速网络收敛，从而提升检测性能。选取9种经典检测算法在KAIST数据集上进行对比测试，实验结果表明，本文算法能够对复杂环境中的多尺度及部分遮挡红外行人目标进行准确检测，检测精度可达90.7%，验证了所提出检测网络的优势。

针对红外行人图像中受多尺度、部分遮挡以及环境干扰导致传统算法难以准确检测问题，提出一种红外图像行人检测算法。以CSPdarknet53作为主干特征提取网络，在输入端引入Focus模块以减少主干网络下采样过程中小尺度目标特征信息丢失；通过构建跨尺度特征聚合模块来融合主干网络不同残差层输出的全局特征和多尺度局部特征，提高网络多尺度特征聚合能力，提升网络检测精度；针对红外图像受自身成像机理以及复杂背景影响造成行人目标特征难以有效表达的问题，通过构建分层注意力映射模块来增强行人特征表达能力。为了验证所提出算法的优势，选取4种经典对比算法，并在3种公共数据集上进行测试验证。实验结果表明，该算法可以实现复杂环境下多尺度红外行人的准确检测，其平均准确率和召回率分别可达95.37%和92.99%。