随着人工智能时代的到来,各行各业都掀起了一股人工智能的浪潮。行人检测(Pedestrian Detection)是计算机视觉领域一个重要的研究方向,其作为自动驾驶、智能监控和人机交互系统等中的关键技术,一直备受学术界和工业界的关注。目前大多数行人检测算法在场景单一、行人较稀疏的场景能够有很好的检测效果,但是随着遮挡程度的加深,行人检测效果急剧下降。针对这一问题,本文以部分遮挡情况下的行人作为主要研究对象,给出了一种基于人体部位的行人检测方法,并开展相关实验研究。本文基于候选区域检测的网络结构,结合遮挡情况下人体可见区域的分布,给出了一种基于人体部位的行人检测方法。针对行人外形姿态的特殊性,本文在通用目标检测网络的基础上设计出对人体结构有更高适应性的检测网络。通过对数据集中遮挡行人的可见区域分布进行分析,本文提出了一种按遮挡程度对行人部位进行不同层级划分的方法。可见区域越小其层级越低,高层可见区域由多个低层可见区域组成。根据人体部位划分的结果,设计出一种多感受野的行人部位检测网络,采用多尺度的卷积操作有效地提取出不同层级部位的特征信息。在对每个部位进行可见性估计时,本文提出了对同一部位区域采用“多层检测,相互验证”的方法,通过神经网络的反向传播算法对部位的可见性估计进行修正,有效减小了行人检测的漏检率。在部位检测算法的基础上,为了进一步减小遮挡对检测效果的影响,本文对网络结构和损失函数进行了优化。为了获得更具有代表性的特征,本文设计了两种注意力机制网络,使模型能够更加关注感兴趣的区域。针对行人间的相互遮挡,本文设计了一种带惩罚项的损失函数,有效削弱了预测框朝向非目标边界框偏移对检测效果造成的影响。本文将给出的模型在Caltech行人数据集的三个测试子集下对检测结果进行评估,分别计算其MR-FPPI曲线值,在Reasonable子集上的漏检率为12.73%,Partial occlusion子集上的漏检率为18.89%,Heavy occlusion子集上的漏检率为54.68%。通过与其他算法的对比实验以及自对比实验,本文算法在Partial occlusion子集上漏检率减小了1.1%,在Heavy occlusion子集上漏检率减小了6%,说明本文提出的网络模型能够更好地处理行人检测中的遮挡问题。