近年来,随着我国城市化的快速推进以及城市轨道交通系统的快速发展,日益增长的线网规模给城市轨道交通的日常运营与安全管理带来了新挑战。地铁车辆拥挤度是乘客在乘车过程中考虑了舒适度和安全性的一种心理感受,是衡量城市轨道交通系统服务质量和服务水平的重要指标。对地铁车辆拥挤度进行实时检测可以真实地反映线网客流状态,提供更全面的断面客流信息,为城市轨道交通实时调度与客流控制提供依据。论文针对城市轨道交通车辆拥挤度检测问题展开研究,首先对地铁车辆拥挤度内涵进行探讨。主要梳理与总结了现有地铁车辆拥挤度的相关评价标准,然后在此基础上分析了地铁车辆拥挤度的影响因素,并从定性及定量角度重点分析了地铁车辆拥挤度的相关特征。考虑到地铁车辆监控视频能够提供线网实时客流数据,提出了一种基于视频分析的车辆拥挤度识别方法。在对地铁车辆监控视频图像提取与分析基础上,使用卷积神经网络模型建立了车辆拥挤度的识别方法。使用车辆监控视频建立了车厢乘客数据集,并采用了级联结构的卷积神经网络,针对车载计算机性能提出了拥挤度快速识别的方法。实验结果表明:所提出的方法检测速度快,能够满足实际应用中实时性要求,三级拥挤度分类识别实验准确度为98%,四级拥挤度分类识别实验准确度为87%,并分析了二维图像在拥挤度识别中存在的问题和原因。针对二维视频图像在拥挤度识别中存在的问题,尝试引入三维数据,提出了一种基于三维激光雷达的车辆拥挤度识别方法。使用RS-Li DAR-16激光雷达实地采集了城市轨道交通车辆的三维点云数据,通过对大量点云数据的分析与处理,提出了一种基于点云反射强度的地铁车辆拥挤度特征描述方法,并采用基于特征描述的机器学习方法训练分类器从而实现地铁车辆拥挤度识别。实验结果表明:以20人为精度单位的识别实验准确率达100%,以10人为精度单位的识别实验准确率达98.31%,并且随着精度进一步细分,所提取的激光雷达点云特征参数仍然具有一定区分性。