随着我国汽车数量不断增多，交通事故的发生也越来越频繁。这些交通事故对行人和司机的生命安全造成了极大的危害。据统计，大多数交通事故发生在夜间或者光线不足的恶劣天气。针对能见度低的情况下，常规行人检测技术精度低、实时性差的问题，本文提出了一种基于改进YOLOv3的红外图像行人检测算法。具体工作如下：
　　首先，针对红外图像公开数据集少且完整性差的问题，从互联网上搜索红外图像，并根据红外图像特点和深度学习要求，对图像数据进行样本标注、标签整理和样本均衡等操作，建立较完整的红外图像数据集。
　　然后，针对原有特征提取网络DarkNet53参数较多、特征利用率低的缺点,采用密集连接结构的DenseNet121作为本文模型的特征提取网络。在此基础上，采用3个3×3的小卷积核代替输入层一个7×7的大卷积核来提高网络细节学习能力，采用步长为2的卷积层和池化层并联的方式减少过渡层特征的损失，采用Leaky-Relu函数作为激活函数，提高了整个网络的训练效率。
　　最后，针对YOLOv3多尺度融合部分上采样层特征损失严重、参数多的缺点，使用亚像素卷积层来实现特征图的尺寸扩张操作，在没有增加参数数量的前提下，提高了特征利用率。为了弥补红外图像特征少的缺点，使用红外图像和可见光图像混合的方式对网络进行预训练。对于网络输出的检测结果，剔除了明显不符合行人尺寸特点的结果框，进一步提高网络精度。