为了提高行人检测方法的准确率，针对行人图像特征，提出一种基于深度残差网络和YOLO（youonlylookonce）方法的行人检测方法。以加强行人特征表达为目的，通过分析行人在图像中的表达和分布特征，提出一种不影响实时性的矩形输入深度残差网络分类模型以改进YOLO检测方法，使模型能够更好地表征行人；为了进一步提高模型的准确率和泛化能力，采用了混合行人数据集训练的方式，提取VOC数据集的行人数据与INRIA数据集组成混合数据集进行训练，明显降低了漏检率；并且利用聚类分析预测框的方法重新设计了初始预测框，提高行人定位能力并加快收敛。经公开的INRIA数据集的测试实验证明，该方法较主流的行人检测方法每张图片误检率有明显改善，降低至13.86%，有1.51%~5