随着人工智能的发展,汽车领域的自动驾驶受到学术界和工业界的广泛关注,而在自动驾驶的环境感知中,行人检测属于一个重要的环节。分析了主流的基于卷积神经网络的R-CNN算法、Fast R-CNN算法以及Faster R-CNN,其算法存在检测速度较慢的问题。本文旨在保证行人检测算法精度的前提下,提高算法的检测速度,使其满足自动驾驶中行人检测实时性的要求。将适用于医学细胞分割的U-NET算法应用到行人检测中,由于该算法在细胞分割领域有着较高的检测精度,而检测的快速性欠佳。因此,在U-NET网络模型的基础上,运用多尺度融合技术,调整U-NET网络框架中编码部分末端卷积特征图的特征通道数目,并对输入图片进行批量归一化(Batch Normalization,BN)处理,得到改进后的U-NET算法。从COCO数据集中通过算法提取出所有的行人样本,并制作出训练集和测试集,作为训练U-NET网络和改进后的U-NET网络的数据集。基于TensorFlow深度学习框架,Python语言编程,在GPU模式下通过训练集来训练网络模型,并通过测试集来验证模型的准确度。实验结果得出,U-NET网络模型在训练集上的Dice系数为0.9692,即系统的准确率为96.92%,其检测单张静态照片的时间约为1秒,在测试集中,检测的准确率也到达94.60%。改进后的U-NET网络模型的在训练集上的Dice系数为0.9538,即系统的准确率为95.38%,其检测单张静态照片的时间约为0.4秒,有时候检测速度会到达0.1秒,在测试集中,其检测的准确率也到达92.81%。因此,改进后的U-NET网络模型能够在保证了检测精度的前提下,降低系统检测的时间,所以改进后的检测算法可以应用到自动驾驶领域的行人检测中。