随着经济社会快速发展,以人工智能为导向的智慧城市方兴未艾。人群计数研究作为人工智能领域的一个分支对智慧城市的推动是十分重要的。首先,随着世界人口的不断增长以及随之而来的城市化进程,人们在游行、音乐会和体育场等场合容易发生聚集现象,在这种情况下,人群计数对于公共安全和管控起着不可或缺的作用。其次,人群计数可以辅助构建人群场景中更高层次的任务,例如人群分析与跟踪,视频监控,异常检测,活动识别等。当前,人群计数任务面临着复杂的背景噪声、剧烈的尺度变化,严重的透视变换以及不同数据集的人群分布不同和密度变化等问题,严重降低了人群计数的准确度和模型的泛化性能。针对上述问题,许多研究者采用卷积神经网络（Convolution Neural Network,CNN）来训练模型,达到了不错的效果。另一方面,近年来,Transformer在各种计算机视觉任务中占据了主导地位,例如目标检测,图像分类,分割,去噪,超分等。本文主要从CNN和Transformer两种网络方面展开研究以探索其对人群计数精度的影响。本文主要工作包括以下四点:（1）提出了一个基于CNN的混合注意网络HANet（Hybrid attention network based on progressive embedding scale-context for crowd counting）。该网络包括多个级联的混合注意模块,可以有效地抑制背景噪声。此外,通过渐进学习策略,在不同的混合注意模块中嵌入了不同尺度的人群上下文信息,使得模型在抑制背景噪声的同时可以适应人头大小的尺度变化。最后,对渐进学习策略进行了定量分析,选择从全局到局部的融合方式以得到更准确的计数精度。（2）提出了一个基于Transformer的层级特征聚集网络TCCNet（Transformer-based hierarchical feature aggregation network for crowd counting）。不同于CNN,Transformer将输入图片划分为一系列的patch作为模型的输入,可以充分建模全局上下文和远距离依赖,利用全局上下文信息更好地提升人群计数性能。考虑到MSE损失函数不是十分适用于Transformer所学特征,采用了DM-Count损失函数以得到更为优越的计数性能。（3）鉴于两个问题:第一,上述方案（1）和方案（2）均是基于全监督的人群计数方法,这需要对数据集图片中的所有人头进行位置级标注,这使得标注成本巨大;第二,人群计数中每个行人都是独立的个体,方案（2）中将输入图片直接分割为序列化的图像Patch有一定局限性,一些人头被一分为二可能会导致重复估计或者漏估。为此,提出了一个基于弱监督人群计数的联合CNN和Transformer的网络JCTNet（Joint CNN and Transformer Network via weakly supervised Learning for efficient crowd counting）。该方案仅依赖每张图片中的人数总和标注,而不需要对每个人头的位置进行标注。首先用CNN特征提取模块提取高层次人群语义信息,再将其送入Transformer特征提取模块充分建模全局上下文和远距离依赖,以此来提升弱监督人群计数性能。（4）在主流数据集上（Shanghai Tech Part A/B,UCF-CC,UCF-QNRF,NWPU-Crowd等）,针对本文提出的三种人群计数模型进行了大量的对比和消融实验。实验结果证明了所提出的三种模型的有效性。最后,给出了详细的可视化展示。