近年来随着经济水平发展,人口快速增长,由于人群聚集引起的骚乱已经不止一次的发生,人群监控也变得越来越重要,但是靠人力来实现人群监控容易产生疲劳并且容易受到个人主观因素影响,与此同时,计算机视觉技术日趋成熟,它在工程中的应用范围已经扩展到车牌识别、人脸检测、指纹识别等生活的方方面面,由此更加促进了人群密度自动估计方法的研究。人群密度等级估计和人群流量统计是人群监控的2个重要研究方向。人群密度等级估计将人群按照密集程度划分为不同等级,通过特征分析及分类手段估计人群密度,常应用于人群密度的预警。而人群流量统计侧重于统计人数,要求结果能精确到人数。人群密度估计主要分为特征提取和人群密度分类两步。现有的人群密度估计方法,为了提升效果,特征提取方法往往设计得非常复杂,这在一定程度上使得检测速度难以兼顾。同时,人群密度估计常用的支持向量机等分类方法都属于浅层学习方法,在分类效果上都存在一定的局限性。然而,近年来,随着深度学习不断取得成绩,这种深度、多层次的结构模型越来越受到重视。深度卷积神经网络作为具有代表性的深度学习模型方法之一,通过多隐层的网络结构,深度提取图像的高层特征,并通过特征学习避免了复杂的特征设计过程。本文通过对人群密度估计方法进行研究,将卷积神经网络引入人群密度估计中,通过改进网络结构,提出了一种基于卷积神经网络的人群密度估计快速算法,本文的主要工作如下:1)研究了多种特征提取方法和分类方法,并创新性地将卷积神经网络应用于人群密度估计中,将人群密度划分为不同密度等级,通过不同密度等级的分类,实现对人群密度的告警。2)提出了一种采用基于卷积神经网络的人群密度估计快速算法。通过优化卷积神经网络结构提高计算速度,并通过构造级联网络,提高模型的准确度。最后将模型应用于人群密度估计,并通过大量的实验对比,验证了我们方法的高效性。3)实现了一个基于卷积神经网络的人群密度告警系统,针对人群密度图像的成像特点,加入了几何校验模块,进一步提高了检测结果的准确性。