人群在公共区域大量聚集有可能导致疫情传播或诱发踩踏等影响公共安全的严重事件,因此,有必要对公共区域人群聚集或拥挤程度进行检测和预警,从而为相关部门决策提供参考依据。但传统靠人力观察和检测不仅费时费力,准确度还受限于主观和客观因素。为此,研究通过人工智能和计算机技术实现公共区域人群拥挤检测对提高检测效率,保障公共安全与社会稳定都有着重大的科学价值与意义。公共区域的场景往往十分复杂,采集的视频或图像存在大量背景干扰,严重影响人群拥挤检测的精度。另外,随着实际场景中人群的密集规模变大,随之而来的是人群图像尺度变化剧烈,目标与目标之间的相互遮挡等现象严重。针对以上问题和挑战,本文从场景应用和算法研究两个角度,以深度学习为核心工具,提出了相应的拥挤检测方法。本文工作内容如下:（1）针对复杂小规模封闭区域的人群拥挤检测问题,以公交车内部应用场景为例,提出了基于遮挡目标去除的公交车拥挤度分类算法。由于公交车中场景复杂、干扰因素繁多,容易出现乘客遮挡问题,现有深度学习和目标检测方法在公交车内部应用场景中精度性能较低。为此,本文提出一种有效的公交车拥挤度分类方法,依据遮挡物体检测、遮挡去除的思路,修补被遮挡区域语义信息,从而检测出公交车内相对确切人数,实现对公交车拥挤程度分类和分析。该研究从真实的公交车场景中采集数据生成数据集,并进行标注。通过数据集上的验证实验,证明了此算法对于解决公交车内由于复杂遮挡导致乘客拥挤度检测性能下降的问题是有效的。（2）针对大规模开放场景下的人群拥挤检测问题,提出了基于多任务增强的开放区域人群拥挤检测方法。通过深度网络模型对公共区域人群计数,结合区域的面积,可以对该公共区域拥挤程度做出判断,因此人数计算是判断拥挤程度的核心指标之一。现有基于密度图的人群计数方法在训练计数模型的时候,大部分仅仅关注特征提取和使用均方误差计算人群密度真值图与模型预测密度图的误差,没有更进一步研究前景、背景对人群拥挤检测任务的影响。为解决上述问题,本文结合深度学习提出一种基于多任务增强的人群计数算法,通过将计数任务和前景背景分割任务联合优化的方式,增强模型前景背景的区分能力,降低预测人群密度图的误差,为通过人数计算实现拥挤度检测打下良好基础。对比实验结果表明该算法具有较高的计数精度和鲁棒性,提高密度图生成质量,能取得更有竞争力的结果。