随着世界人口的不断增加,密集人群可能会给社会公共安全带来威胁,且给城市规划带来巨大的挑战。统计密集人群的人数即人群计数在实际应用场景中具有极好的应用前景,例如在人群密集的场所包括商场、车站、旅游景点以及运动场进行有效的人群控制,可以防止踩踏事故的发生。人群计数的方法还可以迁移到其他物体的计数上,如车辆估计、细菌数或细胞数估计。因此,如何进行有效的人群计数引起了研究者们的浓厚兴趣和关注。目前,人群计数方法主要包括三大类:基于检测的方法、基于回归的方法以及基于卷积神经网络的方法。其中基于检测的方法容易受到严重遮挡和杂乱背景的影响,而基于回归的方法无法很好地解决尺度和视角的变化。本文主要讨论基于卷积神经网络的方法,深入研究多尺度卷积神经网络,在此基础上提出三种人群计数模型。主要的工作内容如下:(1)提出基于残差多尺度卷积神经网络的人群计数算法。为了缓解改善多尺度卷积神经网络中存在的梯度弥散、梯度爆炸和网络退化问题,本文在多尺度卷积神经网络的基础上引入了残差的思想,在两个卷积层之间添加了一个残差单元,提出了基于残差多尺度卷积神经网络的人群计数算法。在公共数据集上的实验验证了所提算法的有效性。(2)提出基于多列多尺度卷积神经网络的人群计数算法。为了进一步改善人群图像中普遍存在的遮挡以及尺度和视角变化的问题,本文在多尺度卷积神经网络的基础上引入了多列的思想,提出了基于多列多尺度卷积神经网络的人群计数算法。所提算法具有三个并行且结构相同的子网络,每个子网络使用尺寸大小不同的卷积核来对应不同大小的人头。在公共数据集上的实验结果证明了所提算法的有效性。(3)提出基于双任务的多尺度卷积神经网络的人群计数算法。为了改善多尺度卷积神经网络对不同密集度图像的适应性较差或者敏感度较差的问题,本文在多尺度卷积神经网络的基础上,引入了一个密集度分类器,提出了基于双任务的多尺度卷积神经网络的人群计数算法。密集度分类器能根据图像的密集度对图像进行分类,使得整个网络能学习到密集度的变化。在公共数据集上的实验结果证明了所提算法的有效性。