近年来,计算机视觉技术飞速发展,行人检测作为其重要研究领域也得到了巨大的进步,逐渐趋于实际应用。而现有传统检测算法仍存在特征提取片面、检测精度较低、时间复杂度较高等问题,随着深度学习算法在行人检测中的研究和应用,在卷积神经网络基础上衍生出了一系列深度学习检测算法。相比于传统检测算法,深度学习算法有更强的鲁棒性及泛化能力,能够更快、更准的检测到行人目标。得益于行人检测理论的不断创新和优化,行人检测为智能监控、无人驾驶等方面提供了技术支撑,有巨大的应用价值。但在实际监控场景中,目前的行人检测算法仍存在行人的误检和漏检问题,且容易受到遮挡、行人姿态和尺度变化等因素的影响,检测性能有待于进一步加强。为了提高实际监控场景中行人检测效果,本课题综合分析经典网络检测模型,选用检测精度和实时性都较好的SSD（Single Shot Multi Box Detector）网络模型为基础,对其存在的由于行人密集或遮挡以及行人姿态过小导致的漏检、误检和耗费时间较长等问题进行优化改进,提出充分利用浅层特征信息的改进SSD网络,并在Jetson Nano嵌入式开发板设计行人检测系统。主要工作如下:首先,对基础SSD网络模型及训练过程进行研究并采用Py Torch框架搭建行人检测网络分别在INRIA和Caltech数据集中进行行人检测实验,根据实验结果分析SSD算法存在的问题,为改进算法提供对比的基准。其次,针对SSD中存在的问题进行优化,改进后的算法使用融合浅层特征信息的Res Net残差网络代替传统VGG网络,并在此基础上加入Vo VNet,通过一次性聚合模块减少网络参数和计算量;同时,采用K-means聚类算法优化anchor设置。基于改进SSD算法与SSD算法进行对比实验,实验结果表明,改进SSD算法可有效解决SSD算法存在的由于行人密集或遮挡以及行人姿态过小导致的漏检、误检和耗费时间较长等问题。最后,在上述研究和改进算法的基础上,基于Jetson Nano嵌入式开发板搭建行人检测系统,进行改进SSD和SSD算法进行对比实验;除此之外还对采集数据集进行了单独的标记检测实验;搭建行人检测系统客户端,使用改进算法检测行人,并保存行人图像供后期检索,实现了移动端行人检测。