近年来,城市轨道交通网络体系结构逐渐壮大,轨道交通客流与运送负载量之间的矛盾日益加深,其承载能力也在备受考验,客流风险已经成为轨道交通最主要的风险源。如何有效地监控并管理轨道交通客流,向工作人员提供准确、便捷的预警是制约轨道交通服务质量的关键。对复杂的客流场景进行有效管理的前提是区分其运动目标的实时状态。早期的轨道交通客流检测通过自动售票系统（AFC）进行客流量的推算,该方法只能估计网络客流总量,忽略了客流移动的时空特征,不具备客观性。若在视频中采用传统的手工组合特征来检测目标,不能满足多变场景下的实时性需求,且算法的复杂度极高。因此,本文分别聚焦于人群稀疏场景和人群密集场景下轨道交通客流的运动状态,为实时客流监控奠定了基础:一、人群稀疏场景下轨道交通客流检测。人群稀疏场景下具有人流分散,重叠少,个体移动范围大等显著特点。模型对其特征表达的能力将影响最终的检测效果。建立全新的地铁人群数据集,根据拍摄俯角的天然优势,选取行人头肩部作为训练标注。此外,在已有的实时检测模型YOLOv4的基础上,添加注意力机制,以进一步提升模型对于细节特征的增强,并在注意力指导下进行数据增强。注意力特征的融合一方面保留图像的全局特征,另一方面提取难鉴别局部特征。两者特征的融合不仅弥补了图像局部细节的丢失,而且提升了网络的鲁棒性和学习能力。实验表明:所提算法可以提高人群稀疏场景下模型对轨道交通客流目标提取的表征能力,达到了理想的检测效果。二、人群密集场景下轨道交通客流人数估计。人群密集场景下具有人流密集,重叠大,个体移动范围小等显著特点。基于密度图的回归模型能够有效的输出密度图与标签图之间的映射关系,通过引入多层次特征分割模块,并借助深度学习强大的表征能力提取出多尺度人群特征。同时为了提升计数模型对背景噪声的鲁棒性,减少背景噪声的干扰,通过在解码阶段训练出背景分割注意力图来抑制模型对非人头区域的聚焦。实验表明:1)引入多层次特征分割模块后,模型的表征能力得到了显著提升。2)注意力背景分割剔除了背景噪声对模型的干扰,使模型更聚焦于有价值的人头信息,计数性能得到稳步提升。三、轨道交通换乘通道的客流跟踪和状态统计。通过基于卡尔曼滤波的帧间对象位置预测算法和匈牙利匹配的数据关联理论,提出了轨道交通多目标快速跟踪算法。利用视频上下文中的时空信息,计算得到区域客流密度。应用实验结果表明:动态系统中卡尔曼滤波预测,贴近人们在实际场景中的运动轨迹,符合人们的普遍认知,且满足实时性需求。主要创新点:1)在轨道交通场景下对人群的稀疏、密集程度进行低密度和高密度情况的划分,并围绕于此对人群稀疏场景的客流进行目标检测,构建基于注意力特征融合的YOLOv4算法,从局部细节层面增强模型的鲁棒性。2)对高密度客流聚焦于人群密度估计,从多尺度和背景分割角度,构建基于编解码网络的多尺度背景分割人群计数算法,更全面且客观的反映实际的客流信息。