人群计数是计算机视觉领域中重要的研究分支,其目的是为了准确地预测出现实场景中人群的数量、分布以及密度等人群信息。由于能够提供现实场景中准确、详尽的人群状态数据,因此人群计数技术被广泛应用密集场景,诸如游行集会、旅游景点、购物中心等。通过准确地估计人群数量,尤其是密集场景中的人群状态信息,可以及时发现人群拥挤或异常等行为并进行预警,以便采取措施进行疏导,避免安全事故发生。因此,研究人群计数具有重要的应用价值和现实意义。然而,在实际的人群密集场景中,普遍存在着背景干扰、行人尺度变化和人群分布杂乱等问题,给人群计数任务带来极大的挑战。为此,本文从算法的网络结构、损失函数等方面进行研究,以克服上述问题所带来的挑战,提高算法的计数精度。具体研究内容如下。1.针对背景复杂干扰、行人尺度变化问题,提出了融合通道与空间注意力的编解码人群计数算法。算法由编码和解码2部分组成。在编码阶段,通过主干网络提取不同深度、不同尺度的行人特征;在解码阶段,利用重复的卷积、上采样等操作来恢复场景空间信息,使用多层次特征融合方式弥补因网络过深而损失的细节信息,以此克服行人多尺度变化所带来的问题,同时融入注意力模型,在通道与空间2个维度进行权重加强,来解决背景噪声干扰问题。实验结果表明本章所提算法能够有效的解决背景干扰和行人多尺度问题,提高计数的准确性和鲁棒性。2.为提高场景中空间信息利用率,解决行人多尺度、分布杂乱问题,提出了基于多层次特征融合密集人群计数算法。算法通过重复利用多层次深度特征,自适应解决行人多尺度问题。算法整体为倒三角形结构,通过主干网络提取不同深度行人特征,再使用多层次结构来重复融合不同深度特征,以此达到自适应辨识多尺度行人目的。设计了结合全局人数监督和像素点监督形式的损失函数,来提高场景中的空间信息利用率,最终来提高模型精度。实验结果表明,算法在真实场景中的准确性和鲁棒性都表现出优异的效果。主要创新点:（1）通过利用卷积神经网络中编解码结构并融合空间与通道注意力模块,降低了密集场景中行人尺度变化、复杂背景干扰对模型计数性能的不利影响;（2）通过重复利用多层次深度场景特征,自适应解决人群多尺度问题;结合全局人数监督和像素点监督,提高场景空间信息的利用率,提升模型精度。