随着公共安防需求不断升高,智能人群密度估计算法研究也越来越受到重视。然而在实际应用部署中,智能人群密度估计算法在跨场景知识迁移、场景知识自我学习和场景密度预测稳定性等方面面临着困难。因此,本文针对以上问题,对现有智能算法进行改进。主要内容包括:1)提出了基于域内知识感知的自监督跨域人群密度估计方法。针对监督学习的方法在数据样本不充足时性能下降的问题,提出了一种基于域内知识感知的自监督跨域人群计数方法。第一阶段中,该方法使用不同的特征响应分支来更稳健地学习跨域知识,减少不同场景的预测不一致。在第二阶段中,将已训练好的模型为目标域生成鲁棒的伪标签,并使用伪标签重新训练整个模型,以增强目标域的适应性。该方法分别在仿真场景和真实场景中开展了实验,结果验证了本章方法的可用性,准确度更高。2)提出了基于领域不变特征引导的跨域人群密度估计方法。针对现有跨域方法未明确考虑源域和目标域之间不同特征的可迁移性,本章提出了一种显式不变特征诱导的跨领域知识转换框架。主要思想是从源域和目标域中显式地提取域不变特征,为两个领域之间更丰富的知识传递搭建了一座桥梁。该框架由三部分组成,全局特征解耦、关系探索与对齐和图引导的知识增强。在全局特征解耦中,域不变特征与两个域中的域特定特征进行有效地解耦,这使得模型能够区分复杂场景中的人群和背景特征。在关系探索与对齐中构建了域间关系图和域内关系图。具体来说,域间关系图聚合了两个域之间的全局域不变特征,并进一步对齐了局部级别的域不变特征。域内关系图保留了与任务相关的特定信息以帮助域对齐。此外,图引导的知识增强策略对伪标签的置信度进行建模,以进一步增强目标域的适应性。本章方法在各个数据集上实现了最先进的性能。3)提出了基于全局时序表示引导的自适应融合网络。针对视频人群数据,本章提出了一种基于全局时序表示引导的自适应融合网络,探索视频序列的全局时空一致性。该方法在连续帧之间建立一个鲁棒的长期时空表示,以此来指导局部帧的密度估计,从而减轻人群场景中背景噪声和遮挡所引起的预测不稳定性问题。实验表明与现有方法相比得到了10%的性能提升。