如何从图像中检测人员并对人员进行计数，从来都是数字图像处理和模式识别领域中的一个重要和热门课题。人数统计这一课题不但有较高的研究价值，并且具有很好的实用价值。在教室，礼堂等待校园教学场所更能发挥其用武之地。由于实际环境千差万别，对图像进行人数统计又容易受到各种因素的干扰，对了提高人员统计的精确性。专家学者们陆续提出了很多具有针对性的统计方法。在这些方法中，通过综合图像处理技术和机器学习的方法逐渐成为主流方法。因此本论文将主要尝试使用数字图像处理和人工智能中的机器学习及模式识别对静态图像中的人数进行统计。首先，本文对人数统计这一课题在国内外的发展现状进行了研究和分析，对一些成熟的方法人数统计检测方法如通过人脸，人头检测来统计人数进行了分析和比较，选取合适教室等校园教学条件场所中进行人数统计的技术和方法。然后对数字图像的一些实用处理技术进行原理分析和具体实现，不仅对传统经典的图像处理方法如图像平滑去噪、图像膨胀与腐蚀、彩色图像灰度化、灰度图像及彩色图像的直方图均衡化进行了研究与实现。并根据本文所研究的实际场合的图像特点，提出具有针对性的光线补偿算法和图像增强算法。通过这些图像预处理手段能有效降低图像中若干干扰因素对图像后继处理造成的不利的影响，为进一步的检测和识别人体特征做好准备。然后分析和实现了人脸检测中最为常用的基于Haar-like特征的级联分类器，在这一块中首先介绍了Haar-like特征、积分图，并以实际例子说明了积分图对图像特征值计算提供加速功能的原理。再介绍了弱学习算法和强学习算法、Boostring算法与AdaBoost算法。并最终将强分类器组成实用的级联分类器。为了进一步提高人脸检测的准确性，采用了肤色信息来校验人脸区域。对于人头检测，尝试采用了BP神经网络来进行检测。通过BP神经网络对众多样本进行学习，让其最终能对图像中的人头进行检测。最后针对不清晰的图像的人脸人头检测效果不理想的情况，采用了参照物校验，通过教室图像特点来确定人员可能出现的区域，再对这些区域进行分析和判断来进一步提高人数统计的检测率。从而让系统具有良好的实用价值。