近年来,随着高级驾驶辅助系统及无人驾驶等技术的兴起,作为辅助安全驾驶的关键技术之一,车载行人检测系统,它能够在较远距离下,就可以自动识别出处于危险区的行人位置,提前为驾驶者发出警报来预防事故的发生,在很大程度上可以大大降低交通事故发生的概率。然而,由于目标行人通常所处环境复杂多变,且形态多样以及车载无人驾驶系统具有体积大、高功耗的特性,使得到目前为止,还没有一套比较通用成熟的方法来解决诸如精度低、实时性差和功耗过大等问题,所以在实际应用中对车载行人检测系统的研究机遇与挑战并存。本文针对以上车载行人检测系统中出现的各种难点,提出采用一种低功耗、高性能并行运算的Jetson TK1嵌入式设备作为硬件平台,结合深度卷积神经网络算法实现基于Jetson TK1的车载行人检测系统。本文首先分析了行人检测的研究意义与背景及国内外研究现状,然后介绍了系统的总体设计框架,并对系统中的Jetson TK1硬件加速平台和基于Caffe深度学习框架的软件平台分别进行介绍。硬件部分,主要介绍了Jetson TK1的CPU和GPU及基于CUDA编程模式的GPU的加速原理,从而为本文系统提高运算速度提供基础;软件部分,主要介绍了Caffe深度学习框架和优势及其环境的搭建。其次根据现有的行人检测算法,简单介绍了传统的基于HOG+SVM手工特征训练分类器的行人检测算法,并针对其存在误检率较高、实时性差的缺点,提出了一种基于卷积神经网络(CNN)的行人检测算法。本文算法在原有经典模型上,通过采用全卷积层代替全连接层的方法优化网络,使得网络结构可以输入任意尺寸的图片,同时,避免了使用像素块而带来的重复存储和卷积计算问题,使得模型更高效。同时采用K-means算法,在数据集上进行聚类,进一步减少输出层卷积核的个数,从而减少模型参数,提高模型计算速度。为了验证本文算法的准确性和实时性,在同一INRIA行人数据集上,分别采用HOG+SVM算法和本文算法进行模型训练和测试,结果表明该算法具有较高的识别率且在低功耗嵌入式设备上有着较快的检测速度,基本能满足应用的实际需求。