经济发展,人口增多,越来越多的区域出现人群密集的情况,容易造成安全事故。近年来疫情爆发,对关键区域的人群密度监控更显得尤为重要,因此人群计数研究具有很强的现实意义。随着卷积神经网络的快速发展,人群计数算法取得了飞速的进步,但是人群尺度变化大、复杂背景干扰的问题,影响了算法的实际表现,人群计数任务仍然需要继续深入探索。同时,对抗攻击对神经网络具有较大的影响,干扰网络的输出结果,导致预测错误。本文提出了相应算法,以应对人群计数任务面临的困难,提高人群计数的精确度,并且探索了快速梯度下降攻击对本文所提出算法的影响方式及影响程度。本文的主要工作如下:1.针对图像中不同人的尺度相差较大的问题,提出了基于自适应多尺度信息的人群计数算法。该算法设计了多尺度信息自适应融合模块以提取高质量的多尺度特征,只使用单一大小的卷积核,同时对于不同尺度的特征生成相应的权重,融合得到自适应多尺度信息。同时,算法引入通道-注意力构造特征优化模块,使用中继监督机制预测中间密度图,进一步提升算法的性能表现。通过在多个数据集上的性能评估实验以及对比实验,证明了该算法能够有效提取多尺度特征以应对人群尺度变化问题。同时,探索了快速梯度下降攻击对该算法的影响方式,验证了快速梯度下降攻击会严重影响预测密度图的人群分布。2.针对不同层级信息利用不充分以及复杂背景干扰的问题,提出了基于自下而上多层级密度图融合的人群计数算法。该算法使用U型结构,并且构造多个分支预测多张密度图,将浅层与深层信息融合,增强层级间的信息交流。为了缓解背景对特征的干扰,利用浅层特征预测人群掩膜,优化各分支的密度图。同时,使用真实密度图生成实际的掩膜,对预测的掩膜加以监督,使得预测的人群掩膜更加精确。测试了该算法在多个数据集上的性能表现,证明了该算法能够取得较高的人群计数精度。利用快速梯度下降攻击对提出的算法进行攻击,进一步验证了该攻击方式会对预测密度图的人群密度分布造成干扰,严重影响计数精度。