现代社会,随着人口流动性和人群密集程度的不断增加,机场、车站、商场等各类人群密集场所的流量统计问题备受关注。发生在2014年12月31日的上海外滩踩踏事件,再一次敲响了对密集人群进行有效监管的警钟,同时也表明传统的人力监管无法有效应对日益庞大和密集的人群,必须引入高度智能化的安全管理系统,提高安全防范和预警能力。为此,基于计算机视觉的人群计数算法得到了广泛的研究,相关成果不仅能够有效提高各类人群密集场所的安全防范能力,也将为各类商业场带来无限商机。近年来,随着深度学习技术的快速发展,有越来越多的学者投身到人群计数领域的研究工作中,利用卷积神经网络在图像特征提取和模型泛化上的优异表现,有效地解决了在复杂场景下高密度人群图像的计数问题。为了进一步提升人群计数方法的准确性和稳定性,本文针对目前基于卷积神经网络的人群计数方法进行了相关研究,提出了更加有效的算法模型,并设计了相应的人群计数原型系统,验证了其有效性,具体工作如下:实现了基于多列卷积神经网络(MCNN)的人群计数算法和基于选择卷积神经网络(Switch-CNN)的人群计数算法,分别对两种算法的设计原理、网络结构、实现方式和训练策略等进行了深入的分析。采用通用的人群计数数据集对两种算法的性能进行了测试分析,通过优化设计训练策略,取得了接近甚至优于原有算法的实验结果。最后通过对影响算法性能的各种因素进行深入分析,为后续更高性能人群计数算法的研究奠定了基础。设计实现了一种基于多尺度多层级特征融合的人群计数算法,分别采用普通卷积和空洞卷积提取图像在不同感受野下的特征,采用先下采样后上采样的类U型网络结构中获取不同层级的特征;最后通过不同尺度及不同层级特征图的融合生成更高质量的人群密度图,实现人群计数。采用三种典型人群计数数据集对算法性能进行了测试分析,结果表明该算法能够对各类密集人群实现准确的计数,取得了优于大多数主流算法的结果。基于所提出的人群计数算法,设计开发了基于视频监控的人群计数原型系统。从食堂、商场等公共场所对人群统计的实际应用需求出发,对系统进行了分析和设计。完成了网络通信模块、视频处理模块以及可视化界面的设计与实现,通过调用人群计数模块为所获取的视频帧生成密度图,实现了人群流量的统计与分析。不仅验证了所提出算法的有效性,也为实际人群计数应用系统的开发奠定了基础。