随着城市化人口不断地集中,人群计数任务在智能监控系统中的地位不断提升,无论是在公共安全还是在商业领域都有着十分重要的研究价值。目前基于卷积神经网络的人群计数方法取得了较好的效果,但在实际的场景下,由于人群尺度剧烈的变化、背景的干扰及非均匀分布等问题的存在,在计数性能方面当前的算法仍面临着巨大的挑战。本文从算法模型的结构和损失函数两个方面进行研究,针对上述问题提出了相应的解决方案,有效地提升了算法的性能,其研究内容和主要贡献归纳如下:（1）针对人群尺度的变化及背景干扰问题,提出了一种基于尺度自适应分割的人群计数算法。本算法基于多尺度特征提取网络捕获多尺度上下文信息,提升空间感受野;利用注意力分割网络强调图像前景中感兴趣的人群区域,降低背景干扰的影响;提出自适应区域损失函数重点关注误差较大的人群区域,强调人群区域对于损失值的贡献,改善了网络的抗干扰能力,提升了计数的性能。（2）针对复杂场景下人群的非均匀分布问题,提出了一种基于空间引导感知的人群计数算法。所提的算法从感受野的角度出发,利用空间上下文网络构建图像中不同人群区域之间的空间位置关系,提升对于人群杂乱分布的适应能力;由于背景干扰及海量的参数对计数性能产生一定的影响,提出了一种轻量级的引导感知网络,与空间上下文特征结合,重点关注图像中的人群信息及空间特征,缓解语义差异的同时降低参数量;为进一步提升估计密度图的质量,采用级联的方式融合空间引导网络的特征信息,提高中间层特征的表达能力,以补充人群的细节特征信息,最后通过密度回归网络估计出人群密度图。（3）针对人群密度图质量的问题,提出了基于多策略特征融合的人群计数算法。由于人群密度图的质量将直接影响计数的结果,该算法根据特征融合的不同流程,通过设计不同的融合策略,对低层细节特征、多尺度特征、高层语义特征进行有效地聚合,强化人群特征的表达能力;此外,在网络的后端设计了一种注意力融合网络,引导注意力机制动态调整上述融合后的特征信息,选择更加有利的人群尺度及空间语义特征。实验结果表明,所提出的算法有助于提升密度图的质量,并对计数的准确性有所改善。