作为无人驾驶的一个重要研究方向,园区无人车具有广阔的应用前景,可以实现无人售货、物流配送、安防巡逻和乘客搭载等多种功能。行人检测及姿态识别是园区无人车辅助驾驶系统的重要算法,有效的行人检测和姿态识别可以优化无人车的决策,保护行人安全。然而,现有的基于深度学习的行人检测及姿态识别方法虽然在精度上得到了显著提升,但其普遍存在网络模型大、计算量大、检测时间长和模型设计复杂等缺点。因此本文对基于轻量化模型的行人检测和姿态识别算法进行研究改进,在确保检测精度的同时缩减网络参数量,本文主要内容如下:针对TinyYOLOv3算法存在的行人漏检率高、检测精度低等缺点,提出改进算法。使用深度可分离卷积替换传统卷积,并对不同层次的特征进行融合,在确保识别精度的同时缩减网络参数量,同时采用CIoU损失对原始的边界框坐标预测损失进行改进,将通道注意力模块融合到特征提取网络中,提高了定位精度和识别准确率,使用数据增强方法避免训练过拟合,并通过超参数优化方法来加快网络收敛速度。使用INRIA和VOC融合的行人数据集进行实验,相比TinyYOLOv3算法,改进后的算法的漏检率降低了23%,网络模型大小降低了5.6M,m AP值提高了12.92%,在缩减网络模型的同时提高了行人检测效果。提出一种多尺度融合的行人检测算法,通过多分支卷积模块对主干网络进行设计,融合不同尺度的信息,使用Mish激活函数对Re LU激活函数进行替换,提高网络的非线性能力,使用三尺度的预测输出,并对不同尺度的输出添加交叉连接来改进FPN结构,加强网络对于小尺度行人的检测效果。相比TinyYOLOv3算法,虽然检测时间略有增加,但网络模型只有17.7M,并且检测精度得到显著提升。对基于人体骨架图片的行人姿态识别进行研究,针对传统卷积神经网络在处理人体骨架数据时容易造成过拟合的问题,提出改进Ghost Net网络的轻量级行人姿态识别算法,实现基于人体骨架图的姿态识别。首先针对人体骨架图片的特点对网络的输入尺寸进行修改,使用5×5卷积核提升感受野,其次为了避免网络过拟合,缩减网络层数和特征层数量,最后将设计的网络与部分经典的网络进行对比实验,实验结果表明本文算法收敛速度快,并且以较小网络参数量取得了较优的检测效果。