人群密度估计旨在通过相关算法估算人群图像中的实际人数,对维护公共安全具有重要意义。受尺度变化、复杂背景等因素的限制,人群密度估计仍是一个具有挑战性的计算机视觉任务。现有的基于深度学习的方法采用多通道的网络结构,具有较强的多尺度特征提取能力。然而在现有方法中,多通道结构各分支独立,缺少信息传递,缺少注意力信息,严重限制算法整体性能。针对上述问题,本文研究内容如下:（1）提出了一种基于多通道特征融合的人群密度估计网络。首先,针对现有方法缺少通道间信息传递的问题,设计了特征融合模块,引入不同空洞率的空洞卷积提取多尺度特征,构建通道间的信息传递路径,提高网络多尺度特征信息的聚合能力。其次,引入密度图回归模块,降低多尺度特征的损耗。（2）提出了一种基于注意力与特征融合的人群密度估计网络。在前一项工作的基础上引入注意力机制,减小复杂背景的干扰。首先,设计通道注意力模块,获取局部注意力和全局注意力信息。其次,设计空间注意力模块,生成注意力掩膜图,增强模型对人群区域特征的激活响应。（3）提出了一种基于金字塔特征融合的人群密度估计网络。针对多通道特征融合网络中特征融合模块存在的特征过度融合问题,设计了金字塔特征融合模块,构建自下而上和自上而下的特征融合路径,聚合多尺度特征。与先前的人群密度估计方法相比,该方法的框架整洁且精度更高。在Shanghai Tech数据集和UCF＿CC＿50数据集上开展了充分的实验,并将本文三种人群密度估计方法与目前先进的人群密度估计算法进行对比,证明了本文提出的三种方法的有效性和鲁棒性。