密集场景下的人群检测是计算机视觉领域的重要任务之一,它要求预测头部外接矩形框。在目前的研究中,通过对大量数据进行完全标注提高检测算法性能,其较高的标注成本难以应用于实际场景,同时图像中重叠目标和小目标的少量信息导致检测过程中误检和漏检增加。针对上述问题,本文基于半监督学习在伪标签生成算法和密集人群检测算法上进行了研究。本文研发了一种密集人群数据集伪标签生成算法,采用半监督目标检测中的自学习方法离线生成伪标签,并使用人群数据中已有的点标签来筛选框标签,校正定位信息;针对未匹配到框标签的点标签,采用KNN算法近似伪标签,校正计数信息,并根据头部远近关系和重叠程度缩放伪标签的尺寸,有效降低较高的标注成本。针对重叠目标和小目标容易漏检误检问题,本文研发了一种密集人群检测算法,在特征金字塔中增加高分辨率特征层用于检测,补充小目标信息,减少小目标漏检;基于特征金字塔生成注意力掩模,根据各层的标签分配结果在全部特征层中融合有用特征,消除特征层间的不一致冲突,提高特征层质量;在训练过程中,使用全局标签分配方法,减少重叠区域目标监督预测框冲突的问题,减少小目标缺失监督预测框的问题,对预测框进行合理分配,减少误检框。本文提出的算法分别在ZJU-Crowd、NWPU-Crowd和JHU-CROWD++三个数据集上训练和测试,密集人群数据集伪标签生成算法相比STAC算法,检测指标m AP@0.5平均提升0.8%,定位指标F1 Large平均提升1.3%,计数指标NAE平均下降2.2%;密集人群检测算法相比同类型方法在三类指标上均有提升,检测指标m AP@0.5均值达44.8%,定位指标F1 Large均值达61.8%,计数指标NAE均值达50.1%。