随着社会的飞速发展,大型集会和游行活动的增多,活动中频繁的践踏事件造成大量人员伤亡,因此人群计数的研究成为近几年来计算机视觉领域的主要研究方向之一。本文通过深入分析卷积神经网络中的优势、充分考虑特征层内部之间的联系以及从分群分布随机的角度出发,提出以下三种不同的人群计数网络结构模型。（1）提出基于特征自学习多尺度残差生成对抗人群计数算法（Generative Adversarial Network Crowd Counting Algorithm based on Feature Self-learning Multi-scale Residual,FSLGAN）。本文详细分析了FSLGAN网络模型不同部分对人群计数结果的影响,该方法首先利用自适应核生成各个数据集的真实密度图;其次为了适应多尺度,将网络分成两个子网络,各自提取不同尺度的特征,利用局部与全局互补的功能,提供更具辨别力的语义特征;然后在两个子网络的密度图生成阶段加入特征自学习模块,降低了图像因光照、形变、遮挡等因素变化的影响,提升了模型在密度图生成阶段有用特征的获取;最后为了抑制子网络之间的误差,加入了多尺度残差损失。通过在几个常见的人群数据集的大量实验表明本文提出的FSLGAN的有效性,且具有良好的鲁棒性。（2）提出基于基于通道空间注意力特征融合人群计数算法（Crowd Counting Algorithm based on Channel Space Attention Feature Fusion,CSAN）。由于人群数据集的分布多样性,卷积神经网络对于不同的尺度采用完全相同的处理方式提取的特征存在限制,本文针对密集场景提出的全新的CSAN模型。该网络主要有三个部分组成,首先使用VGG网络的前10层作为前端网络,网络的第二部分是由通道空间注意力模块组成,其中通道注意力负责提取特征层通道之间的有用特征,空间注意力模块负责通道空间上特征提取,网络的第三部分采用6层空洞卷积以此增加网络的感受野。在人群数据集中通过实验证明了本文提出的CSAN的有效性,且具有极佳的表现。（3）提出基于基于混合损失通道空间注意力特征融合人群计数算法（Crowd Counting Algorithm based on the Spatial Attention Feature Fusion of Mixed Loss Channel,HLCSAN）。由于相机拍摄角度的问题导致很多图片中的人群分布极不均匀,很多方法试图通过采用多列或者多分支网络来解决此问题,但由于受列数本身或者分支数的限制,提取到的特征并不能表张图片中人群中离群点的能力。本文提出网络在CSAN的基础上,在网络前期加入迁移学习参数,并且在网络训练阶段使用了全新的混合损失,该损失函数是由均方误差损失和绝对误差损失共同组成的损失,能够有效的解决离群点的问题。在不同数基础据集上的实验结果表明本文提出的HLCSAN的有效性。综上所述,本文提出了基于深度学习的网络模型:FSLGAN,CSAN,和HLCSAN,且对应不同章节提出的方法都有一定的提升,CSAN相较于FSLGAN不仅仅在精度上取得了较大的提升而且大大缩短了训练周期,HLCSAN相较于CSAN和FSLGAN取得了最低的计算误差,并且通过大量实验证明了它们具有实际应用价值。