行人检测技术是计算机视觉领域研究的热点,多光谱行人检测技术是行人检测中令研究者们较为关注的问题,在辅助驾驶、智能监控、机器人等领域具有广泛的应用和发展前景。多光谱行人检测技术是融合可见光与热红外图像的行人检测技术,目的是为了能够同时聚合可见光图像与热红外图像的特征,提高行人检测器的检测准确度和降低漏检率。可见光行人器在光线昏暗、雨雪天气存在图像成像效果较差的问题,热红外图像行人检测器存在纹理细节少、信噪比低、受背景信息影响大的问题,多光谱行人检测技术理论上可以解决这些问题。本文主要基于深度学习目标检测算法Faster-RCNN,结合KAIST多光谱行人数据集,研究可见光与热红外成像的行人检测在辅助驾驶上的应用,主要工作包括:（1）针对红外图像行人轮廓模糊、行人与周围环境对比度不强的问题,实验对比了多种图像增强锐化的方法,如高通滤波、低通滤波、Sobel算子、Laplacian算子、Scharr算子等图像增强算法增强热红外图像。（2）针对可见光和热红外图像行人检测中检测框大小和位置不能很好的覆盖行人的问题,研究了Loss函数的优化问题,使用GIOU替代原来的IOU的方式去计算行人检测框和标记框的交叠率。（3）针对Faster-RCNN深度学习目标检测算法在行人检测精度不高的问题,在特征提取网络中引入1*1卷积、空洞卷积等结构,增强网络特征层的表达,使用ROIAlign方法替代ROIPooling方法将候选框映射到特征层。（4）针对单一可见光图像与单一热红外图像的特征提取网络提取行人信息单一的问题,设计了融合可见光和热红外图像的行人特征提取网络,分为像素融合、早期融合、中期融合、后期融合。本文从融合特征网络设计、图像增强、loss函数优化、特征提取网络改进等方面对可见光与热红外图像在面向辅助驾驶的行人检测上进行了研究,并设计6组实验,验证可见光与热红外图像在行人检测上具有信息互补性。其中像素融合行人检测器的漏检率和检测精度都优于其他行人检测器,AP比传统的ACF+T+THOG行人检测器的AP高8.38%,miss rate比可见光行人检测器低5.34%。多光谱行人检测器具有良好的检测效果和鲁棒性,对后续的多光谱行人检测的研究具有一定的借鉴意义。