近年来,随着城市化进程不断加快,频繁的人口流动导致大规模的人群聚集现场出现的频率大幅提升,在地铁站、购物商场、旅游景点或者其他大型活动的广场等地出现的概率较高。2014年底,上海外滩跨年活动中发生的踩踏事件,再一次警醒管理部门提高对密集场所的预警关注与监管。为此基于现代智能化技术人群计数任务得到了广泛的研究,通过智能监控分析进行人群计数,为公共安全保障、提供交通调度以及商业布局奠定技术基础。随着深度学习技术的迅猛发展,人群计数算法也焕发一新,鉴于卷积神经网络在图像特征提取上表现出的优异能力,基于神经网络的人群计数算法相比传统的检测计数方法在拥挤场景下的性能有非常显著地提升。已有工作围绕着密度生成和人群计数进行了广泛研究,但由于人群场景中的不确定性和可变性,在复杂场景中进行准确人群计数的研究依旧面临着挑战。针对上述问题,本文充分利用卷积神经网络的优势,提出了一种基于密度生成的人群计数算法,通过公开数据集的实验表明,本算法有效地改善了人群尺度变化和背景干扰对计数的影响。本文的主要工作包括:（1）针对训练密度图的信息损失问题,本文提出了一种面向人群计数的数据增强算法。数据集中密度图信息在人群计数算法是至关重要的,本文通过对数据集图片超分辨率重构提升分辨率,来降低生成密度图与真实密度图由于尺寸不同带来的误差,为后续人群计数算法提供了可靠的数据支撑。（2）针对复杂场景人群密度分布不均衡的问题,本文提出了基于空间注意力的密度生成网络。该网络基于编解码结构构建密度生成网络,包含的两个解码器分别用于密度图与注意力图的生成,同时加入空间注意力辅助密度图生成,将注意力集中于人群群体所处区域,对背景区域进行抑制,大大减少了背景的干扰和误检的出现,从而提升预测的准确性。（3）针对人群尺度变化问题,本文提出了一个多尺度融合模块,将目标检测任务上表现优秀的RFB（Receptive Field Block）模块引入基于空间注意力的密度生成网络。通过RFB模块对特征提取的结果进行多尺度融合,可以有效地融合深层抽象信息与浅层语义信息以及不同尺度的特征信息,提高尺度感知能力。在常用人群计数数据集上进行了大量的实验,结果显示本文提出的基于密度生成网络的人群计数算法有优异的成绩。