随着城市人口的日益增多,人群大量聚集的现象愈发普遍,随之而来的群体安全问题引起广泛关注。自新冠肺炎疫情发生以来,人员的聚集性活动将显著增加疫情传播风险,进一步推动了人群分析成为研究热点问题。人群计数及密度估计是人群分析中的重要内容,但是现有研究存在以下几个问题:（1）基于视觉的人群计数方法受到人群遮挡、光照条件等因素的影响,在复杂环境中难以取得令人满意的结果;（2）基于WiFi信道状态信息（Channel State Information,CSI）的人群计数方法存在可监测区域小、受环境干扰严重等问题;（3）基于WiFi嗅探的人群计数方法受到移动终端介质访问控制地址（Media Access Control,MAC）随机化的影响,难以准确地将MAC地址数映射为终端数,导致无法精确地估计人数。为此,本文利用无线频谱与环境中移动设备使用个数之间存在的关联关系,提出了一种新型的人群计数方法。首先,使用软件定义无线电平台（Software-Defined Radio,SDR）采集WiFi频段的I/Q信号,利用短时傅里叶变换（Short-Time Fourier Transform,STFT）获取频域信息,进而将I/Q信号的时频数据图像化,将无线信号的识别问题转化为计算机视觉领域的图像处理问题。其次,利用广泛应用于图像处理的卷积神经网络（Convolutional Neural Networks,CNN）构建了多种回归模型来进行人数预测,分别为LeNet-5＿REG、AlexNet＿REG、VGG16＿REG、VGG19＿REG。模型的结构分为两个部分,前端为经典CNN模型的特征提取部分,后端为回归预测层。最后,在真实环境中开展实验以验证提出方法的有效性。实验结果表明,VGG16＿REG模型的性能指标最优,平均绝对百分比误差为13.75%,可决系数为0.97以上,具有较低的预测误差和较高的拟合优度。因此,本文提出的人群计数方法具有较好的性能表现。综上所述,本文首次开展了基于无线频谱的人群分析研究,并通过实验验证了所提思路的可行性和方法的有效性,为人群监测分析提供了新的研究思路。