近年来随着我国大规模城市群的不断建立,在一些公共场合比如车站、商场和学校等经常发生大规模人群聚集,所以人群计数这一课题成为了公共安全研究领域的重要研究问题。目前国内外的研究学者在人群计数领域提出了许多性能优越的方法,但是在实际的情景中往往存在背景干扰、人群尺度的变化和人群分布不均匀等一系列的问题。本文主要针对人群的尺度变化和由于网络模型层数加深引起的梯度爆炸的问题,在卷积神经网络模型VGG16的基础上分别引入多尺度的思想和深度残差卷积单元来解决上面的问题。首先,本文针对传统的人群计数方法和基于卷积神经网络的人群计数方法两个角度来分析它们的优劣势,其中传统的人群计数方法并不能有效的解决人群尺度变化的问题。为了有效的解决了人群计数多尺度的问题,本文把多尺度模型引入了VGG16网络模型,将不同层级的人群特征在通道数上进行融合。为了防止由于网络层数的加深而引起的梯度爆炸的问题,本文引入了残差卷积单元。为了使生成的人群密度图更加的平滑,本文采用了自适应高斯核密度图的方法来生人群密度图,使生成的人群密度图更能反应真实的人群密度信息。其次,为了解决人群计数中的不均匀的人群分布问题,本文利用了锯齿状的空洞卷积扩大感受野的方法和多列结构模型的思想。在改进后的网络模型前端采用结构相同但是卷积核大小不同的多列子网络,网络模型的不同的子网络适应人头大小不一的情况,使算法具有了一定的鲁棒性。在改进后的网络模型后端本文采用锯齿状的空洞卷积来增加感受野的范围,从而提取到更加准确的特征信息来提高人群计数算法的精度。最后,本文在两个公开的数据集上面进行了验证实验,实验结果表明,本文改进后的算法可以有效的克服人群的尺度变化、不均匀的人群分布的问题,并且提高了人群计数精度。