随着世界人口数量的不断增长,各国踩踏事件不断频发,人群计数已经在智能监控、公共环境安全等领域发挥着越来越重要的作用。但是由于背景复杂、人群遮挡等因素,人群计数精度还不能满足实际需求,因此如何获得更好的人群计数精度已经成为人群计数领域亟待解决的问题。在对国内外研究现状进行综合分析的基础上,结合已有人群计数方法的优缺点,利用深度学习等相关知识,对如何获取更好的人群计数结果进行了深入研究。首先,分析人群计数相关方法及研究现状,并对深度学习及卷积神经网络的各个基础层和一些经典卷积神经网络结构进行了简要介绍。其次,提出一种基于跨分辨率特征融合的人群计数方法。该方法首先设计一个多分辨率网络,通过将低分辨率子网络并联到高分辨率基础网络上,保持了高分辨率特征图始终存在,减少了不同分辨率特征图相互变换时的空间信息损失;其次将不同分辨率特征图进行融合,得到多尺度人群特征信息;最后将特征输入到一个反卷积网络中得到人群密度图,对密度图进行积分得到人群计数结果。再次,设计一种基于交叉融合高效卷积神经网络实现人群计数的方法。该方法首先通过将不同卷积层的特征进行交叉融合得到包含更多语义信息的新特征图;其次根据传统卷积核进行卷积操作时感受野单一的特点,引入高效卷积核,在原始卷积核的基础上分裂出子辅助卷积核获得来自不同感受野的特征图,以此提高人群计数模型的精度;最后将待测图像输入到精度提升后的模型中得到人群计数结果。最后,对提出的两种人群计数方法在Shanghaitech和Mall数据集上进行验证,证明了算法的可行性、有效性和泛化性。