為了在行人檢測(cè)任務(wù)中使卷積神經(jīng)網(wǎng)絡(luò)（CNN）選擇出更優(yōu)模型并獲得定位更準(zhǔn)確的檢測(cè)框，提出一種改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)方法。改進(jìn)主要涉及兩個(gè)方面：如何決定CNN樣本迭代學(xué)習(xí)次數(shù)和如何進(jìn)行重合窗口的合并。首先，關(guān)于CNN樣本迭代次序問(wèn)題，在順序迭代訓(xùn)練多個(gè)CNN分類模型的基礎(chǔ)上，提出一種基于校驗(yàn)集正確率及其在迭代系列分類器中展現(xiàn)出的穩(wěn)定性進(jìn)行更優(yōu)模型選擇的策略，以使最終選擇的分類器推廣能力更優(yōu)。其次，提出了一種不同于非極大值抑制（NMS）的多個(gè)精確定位回歸框合并機(jī)制。精確定位回歸框的獲取以CNN檢測(cè)過(guò)程輸出的粗定位框作為輸入。然后，對(duì)每個(gè)粗定位框應(yīng)用CNN精確定位過(guò)程并獲得對(duì)應(yīng)的精確定位回歸框。最后，對(duì)多個(gè)精確定位回歸框進(jìn)行合并，合并過(guò)程考慮了每個(gè)精確定位回歸框的正確概率。更精確地說(shuō)，最終的合并窗口是基于多個(gè)相關(guān)的精確定位回歸框的概率加權(quán)求和方式獲得。針對(duì)提出的兩個(gè)改進(jìn)，在國(guó)際上廣泛使用的行人檢測(cè)公共測(cè)試數(shù)據(jù)集ETH上進(jìn)行了一系列實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，所提的兩個(gè)改進(jìn)方法均能有效地提高系統(tǒng)的檢測(cè)性能，在相同的測(cè)試條件下，融合兩個(gè)改進(jìn)的方法相比Fast R-CNN算法檢測(cè)性能提升了5.06傘百分點(diǎn)。