人群计数是计算机视觉的一个重要研究课题,其主要任务是估计出一张图像包含的人群数量。人群计数算法被广泛应用于公共安全、交通管理及生物研究等多个领域,具有极高的科学研究价值。近年来,研究者通过卷积神经网络回归密度图的方法实现了计数精度的提升。然而,受到图像中人群尺度变化的影响,实现人群数量的准确估计仍然是一项充满挑战的任务。因此,本文在卷积神经网络回归密度图方法的基础上提出了多特征融合策略以解决人群尺度变化问题,主要的研究内容及创新之处如下:（1）提出一种基于多层级特征融合网络的人群计数算法。首先,使用VGG16网络提取图像的多层级特征。然后,将深层特征上采样与浅层特征进行通道拼接,并使用注意力机制实现特征的通道域和空间域的信息增强。接着,使用残差块对增强的特征进一步细化,融合有效信息。最后,采用压缩模块将融合的多层级特征映射为密度图。算法采用均方误差和结构相似性损失组成的联合损失函数训练网络,提高密度图的生成质量。实验结果表明,本文提出的算法在三个公开数据集上提升了人群计数的精度和稳定性。（2）提出一种基于多尺度特征融合网络的人群计数算法。为了更好地解决尺度变化问题,算法在融合多层级特征的基础上进一步融合多尺度特征。首先,采用VGG16网络提取图像的多层级特征。然后,使用跳跃拼接的方法实现特征的跨层级融合。接着,采用不同大小的空洞卷积提取多尺度特征,并利用注意力机制实现多尺度特征的融合。最后,采用压缩模块将融合的多尺度特征映射为密度图。实验结果表明,本文提出的算法在三个公开数据集上进一步提升了人群计数的精度和稳定性。为了进一步提高所提算法的实用性,设计并实现了一个基于多尺度特征融合网络的人群计数系统。首先,用户在界面的本地数据地址栏输入监控视频的存储地址并同时设置好报表的保存地址。然后,系统执行数据处理、模型加载、人群数量预测、结果可视化和报表生成等操作。最后,将视频帧文件和预测结果显示在相应的可视化窗口上。功能测试结果表明,系统达到了预期效果。图37幅,表23个,参考文献76篇。