智能视频监控领域的行人流量统计技术是指采用基于计算机视觉的方法统计某一时间段内出入某个通道的行人流量。因其高度的适应性和非侵入性，该技术可以自然融入到已广泛使用的监控设备中，并在统计人数时不触及行人的隐私。它被广泛用于交通运输、公共管理、商场营销等多个领域，具有良好的市场价值和广阔的应用前景。本文针对现有基于倾斜摄像的行人流量统计算法不能较好兼顾计数精度、鲁棒性和实时性的问题，设计并实现了一种具有实用价值的行人计数方法。为此，本文主要做了以下研究工作。　　首先，本文对智能视频监控领域三种典型的基于倾斜摄像的行人流量统计方法进行了分析。通过计数精度、鲁棒性、实时性三个角度的比较，总结出各方法的适用场景及其局限性，为本文方法的设计提供了方向。　　其次，本文提出了一种自适应行人流量统计方法。针对现有方法很难在满足高计数精度的前提下达到实时处理的缺点，设计并实现了一种先自适应学习后累加计数的方法，它能够根据场景的不同进行自主学习并计数。在学习阶段，将HOG特征与前景特征结合来构建行人模型，并利用最小二乘法将各个位置的模型拟合成直线，来为虚拟门上每个点赋予权重。在计数阶段，统计虚拟门上各个前景点的个数并获得其信息，包括权重、运动矢量的大小和方向，通过运动补偿后的前景点的加权和来统计行人流量。　　在此基础上，本文还提出了面向实际应用的性能优化方法，来提升自适应方法的性能。在计数精度方面，针对单一运动检测算法无法提取完整、准确前景区域的问题，设计了三层处理框架以提取完整准确的前景，为计数精度提供了保障；在实时性方面，通过划定感兴趣矩形区域来减少运动补偿时间，避免了传统稠密光流方法可能引入的额外处理时间；在鲁棒性方面，将最小二乘法应用在拟合行人模型中，消除了单目摄像中视觉深度的影响。　　实验结果表明，与其它典型方法相比，本文提出的自适应方法在综合性能上有了提升，同时具备较高的计数精度和较好的实时性能，能够适用于一般场景的行人计数。