统深度金字塔模型作为一种有效的行人检测算法备受关注，融合可变形部件模型和卷积神经网络模型，但特征提取部分使用的算法像素区域的大小不同，导致模型之间不能完全融合，在行人数量多、姿势复杂和有遮挡情况时的检测效果不理想。因此，提出一种基于规范化函数的深度金字塔模型（Nom．DP）算法，使用规范化函数融合可变形部件模型和卷积神经网络模型，直接从金字塔特征中提取正负样本，使用隐变量支持向量机进行模型训练，结合柔性非最大抑制（soft．NMS）算法和边界框回归（BBR）算法对定位框进行优化。分别使用INRIA和Ms cocO数据集进行实验验证，在行人数量多、姿势复杂和有遮挡情况时，检测精度高于最优的可变形部件模型算法、卷积神经网络算法、深度金字塔模型算法和结合区域选择的卷积神经网络算法。
