针对当前基于深度学习的行人检测算法检测精度低、模型复杂、对设备要求较高的问题,提出一种基于YOLOv8　的轻量级行人检测模型YOLOv8-PGL.首先,将卷积神经网络(Convolutional　Neural　Networks,CNN)和Transformer的思想结合,设计出C2f_PTB模块,增强特征提取能力,降低计算量和参数量;其次,引入改进的BiFPN网络替换原模型中的特征提取网络,提高对不同尺度特征的融合效率;再次,采用一种轻量级非对称检测头LADH,以微小性能损失大幅度减少模型的计算量和参数量;最后,使用PIoU(Powerful-IoU)替换CIoU(Complete-IoU)作为损失函数,以更准确地优化模型的预测结果,进一步提高模型的检测精度.实验结果表明,所提出的模型在多个指标上有明显的提升.相较于基准模型,YOLOv8-PGL的mAP50%提升1.9个百分点,参数量降低50%,计算量降低33%,模型大小降低48%.