近几年,卷积神经网络（CNN）已是深度学习中的各类研究的首选网络。受益于CNN强大的特征表示能力,早期的模型通过基础CNN进行人群计数研究,与传统的手工特征相比,获得了显著的性能改善。目前,更加有效的基于全卷积网络（FCN）的模型成为人群计数研究中的主流模型。然而目前的深度模型,在处理尺度变化问题时,仅粗略的分为几个等级,在获取人群的特征时,直接使用VGG16提取特征。这将导致在应对复杂背景和尺度广泛的场景中提取的特征不够充分有效的问题。为有效处理上述问题,本文基于全卷积网络架构设计了两个人群计数网络模型。为了有效处理尺度变化的问题,本文提出了一种基于残差U＿blocks的连续尺度特征提取器（CSE）,它可以获取更广泛的尺度特征。利用CSE设计了一种新颖的人群计数网络（ERUNet）,该网络可以从不同水平特征捕获更多的尺度信息,融合不同层次的特征。此网络是U型结构设计,主要由编码、解码和注意力密度图生成器（AMG）三部分组成。编码提供多级语义特征信息。解码提取更广泛的尺度特征,融合不同层次的语义特征信息,输出用于生成注意图和密度图的特征图。AMG用于增强人群区域的识别。为了验证残差U＿blocks的有效性,通过对比实验进行了有效性分析,同时在4个主流的数据集上进行了性能评估实验。实验结果表明ERUNet具有较强的鲁棒性来应对尺度变化、密度变化等问题,且有较高的计数准确度。此外,本文还设计出了一种基于卷积注意力机制模块（CBAM）的计数模型（FCN-CBAM）,利用CBAM对VGG16提取的特征进行处理,产生更有效的特征,从而生成高质量的密度图。整个网络框架的结构设计同样是U型结构的全卷积结构,因此输入图片可以是任意尺寸。为了验证CBAM的有效性,进行了对比模型的验证,同样在4个主流的数据集上进行了性能评估实验。实验证明CBAM对网络的效果有显著提升,且FCN-CBAM具有较高的计算准确度和较好的泛化性能。通过上述两种网络,可以有效的缓解尺度变化所带来的问题,并且为人群计数模型的设计提供了一种新思路。