行人检测是计算机视觉中一个很有挑战性的领域。其应用广泛如自动驾驶、智能监控、智能机器人等。近些年,基于神经网络的行人检测方法取得了巨大的发展,大量的神经网络模型被提出并用于行人检测领域。但是,现有基于神经网络方法的检测速度满足不了实时性要求。因此为了提高检测速度,本文对几种经典的神经网络行人检测方法进行了深入分析,研究了回归窗口和全局概率的行人检测方法。本文主要工作如下:分别从提高准确度与提高速度两方面对现有行人检测方法进行了对比分析,发现鲜有方法能在保证较高准确度的同时兼顾检测速度。鉴于回归参数检测方法计算高效,本文提出基于回归窗口与全局概率的行人检测方法。首先包含两个网络模型:回归窗口网络与全局概率网络,回归窗口网络负责生成固定个数的窗口以及计算窗口局部概率,全局概率网络负责估计行人窗口的空间概率。其次,为了级联训练两个网络模型的参数,基于联合优化的思想,本文进一步探索端到端的网络结构与传播方式,以保证较高的检测速度;同时,研究全局概率增强回归窗口准确度的方法,以保证较高的检测准确度。最后,在Caltech公共数据集上进行实验,实验结果表明,本文方法与相同准确度的方法相比,检测速度高十倍左右;与相同速度的方法相比,检测准确度提高两倍左右。