为了在行人检测任务中使卷积神经网络（CNN）选择出更优模型并获得定位更准确的检测框，提出一种改进的基于卷积神经网络的行人检测方法。改进主要涉及两个方面：如何决定CNN样本迭代学习次数和如何进行重合窗口的合并。首先，关于CNN样本迭代次序问题，在顺序迭代训练多个CNN分类模型的基础上，提出一种基于校验集正确率及其在迭代系列分类器中展现出的稳定性进行更优模型选择的策略，以使最终选择的分类器推广能力更优。其次，提出了一种不同于非极大值抑制（NMS）的多个精确定位回归框合并机制。精确定位回归框的获取以CNN检测过程输出的粗定位框作为输入。然后，对每个粗定位框应用CNN精确定位过程并获得对应的精确定位回归框。最后，对多个精确定位回归框进行合并，合并过程考虑了每个精确定位回归框的正确概率。更精确地说，最终的合并窗口是基于多个相关的精确定位回归框的概率加权求和方式获得。针对提出的两个改进，在国际上广泛使用的行人检测公共测试数据集ETH上进行了一系列实验。实验结果表明，所提的两个改进方法均能有效地提高系统的检测性能，在相同的测试条件下，融合两个改进的方法相比Fast R-CNN算法检测性能提升了5.06个百分点。

针对矩阵式瀑布分类器学习算法在负样本自举过程中无法快速自举出训练所需的高质量样本,自举过程严重影响整体学习效率及最终检测器性能等问题,提出了一种高效学习算法——负样本信息继承的矩阵式瀑布分类器高效学习算法。其自举负样本过程为样本继承与层次自举相结合,首先从训练上一层强分类器所用的负样本集中继承有效负样本,样本集不足部分再从负图像集中自举。样本继承压缩了有效样本的自举范围,可以快速自举出训练所需样本;并且自举负样时对样本进行预筛选,增加了样本复杂度,提升了最终分类器性能。实验结果表明:训练完成方面,本算法比矩阵式瀑布分类器算法节省20h;检测性能方面,比矩阵式瀑布型分类器高出1个百分点;与其他17种人体检测算法性能相比也有很好的性能表现。所提算法较矩阵式瀑布分类器学习算法在训练效率及检测性能上都有很大提升。