行人检测在智能交通、人流统计等场景发挥着重大作用。针对当前密集场景下遮挡行人和小尺度行人容易漏检的问题，提出一种改进YOLOv5的目标检测算法。首先，在主干网络中采用C2f模块替换原有的C3模块，该模块可在轻量化的前提下获取更加丰富的梯度流信息，提高对小目标的检测能力；其次，在主干网络中引入可变形卷积模块，该模块能够增强卷积神经网络的感受野，改善对目标形变的建模能力，提高遮挡环境下行人特征的提取能力；最后，优化边界框回归损失函数，将FocalLoss与EIOULoss融合，加速收敛，提高回归精度。实验结果表明，与现有的YOLOv5s相比，召回率提升2.9%,mAP0.5提升1.3%。