视频监控的行人流量检测技术主要是对视频以及图像中的行人数量进行自动的统计,并且可以反映视频图像中行人的密度分布。通过利用行人流量检测技术,能够优化道路设计,避免踩踏事故以及保障社会安全。本文针对人群场景中不同的行人密度特性,分别提出了两种检测技术。本文的主要完成的工作如下:(1)针对稀疏行人目标场景中过于依赖传统行人目标检测与跟踪算法,无法充分利用视频中相关信息同时存在检测环境的复杂性。所以本文将提出一种基于神经网络与运动信息相结合的行人流量检测算法,通过利用Faster R-CNN与混合高斯背景建模方法相结合,融合其全部的行人检测结果标定框,同时通过非极大值抑制的方法对行人检测数量进行计数优化,消除冗余行人数量结果。该算法模型在视频数据Caltech数据集中对比其他卷积神经网络算法其精度提高大约20%。(2)针对密集行人目标场景中因行人密度过大而引起的行人之间相互重叠、遮挡以及合并等一系列问题。本文将引入了标定密度图,同时提出了一种基于神经网络的行人流量统计方法。这种神经网络将分为前端与后端,前端是采用删除了VGG-16的全连接层的网络,后端是采用了有不同扩张率的扩张卷积。本算法在Shanghai Tech数据集与UCF＿CC＿50数据集其整体性能对比其他算法都有不同程度的提高。