近年来,城市轨道交通发展迅速,作为公共交通系统的重要组成部分,城市轨道交通通车线路和运营里程快速增长,成为居民日常出行的主要选择。同时,乘客数量的高速增长也为城市轨道交通运营管理提出了新挑战。在运行高峰时期以及换乘车站,城市轨道交通站台处会出现大量乘客聚集的情况,人群密度和拥挤程度高,会引发踩踏事件等其他安全隐患。因此,掌握站台候车乘客的实时人群密度信息对城市轨道交通运营管理中的列车调度、客流疏导、风险防范等多方面的工作具有重要意义。现有的人群密度与拥挤度检测技术主要依托于人群计数算法。但是在城市轨道交通站台这一特定场景下,背景中存在消防设施、楼梯、地铁屏蔽门等干扰因素,而且站台上乘客与监控探头之间的距离不同,造成乘客在监控画面中尺寸大小不一,在客运高峰时期存在严重的遮挡问题。现有的人群计数算法不能很好的解决上述问题。本文综合考虑城市轨道交通站台乘客计数所面临的问题和检测算法的需求,依托现有的视频监控系统,构建了一种适用于城市轨道交通站台场景的乘客人群计数模型,该模型的提出对轨道交通智能化管理水平的提升具有重要意义。本文创新点如下:（1）提出了一种基于单列转置卷积的神经网络,用于解决复杂场景下的人群计数问题,基于单列的方法提高了网络的计算速度。为了解决地铁站台这一拥挤场景下图像中人群大小不一、尺度变化、遮挡严重等问题,设计了多尺度特征提取模块,提出了具有多尺度特征提取模块的卷积神经网络用于地铁站台场景下人群计数。在多尺度特征提取模块中,采用不同扩张率的膨胀卷积提取图像中的特征信息,减少尺度变化对计数精度的影响。并在网络后端使用转置卷积恢复特征图,以获得高质量的密度图。实验表明,在现有的密集人群计数数据集上,本文所提出的算法具有良好的计数效果。（2）构建了地铁站台场景下的人群计数数据集。数据集是检测模型训练和算法研究的基础,现有的数据集不能满足城市轨道交通站台乘客人群计数与拥挤度检测的需求。因此,本文对郑州地铁五号线站台监控视频进行了收集,并对收集到的大量的视频文件逐一进行了抽帧处理,通过筛选从中获取了不同时间段的图像,图像中包含了平峰时段和高峰时段的密集和稀疏人群,之后采用标记工具对图像中的人群逐一进行手动标记,构建了地铁站台数据集。该数据集中包含627张图片,9243个人头标记。（3）在本文提出的基于单列转置卷积神经网络的基础上,构建了一种适用于城市轨道交通站台场景的人群计数模型。该计数模型包括图像预处理,图像检测以及结果显示三个部分。对监控视频进行处理,将得到的图像输入到检测模型中进行实时检测。将在公共数据集上训练得到的模型作为预训练模型引入到站台场景人群计数模型中的检测算法中,提高检测的速度和准确率。并对检测结果进行可视化处理,显示出实时状态下轨道交通站台处候车乘客的人群密度,便于管理人员进行客流疏导和列车调度。