我国民航旅客运输量在近年来不断攀升,这给机场航站楼的管理带来了巨大的压力。传统监控系统需要人工监测,非常耗时耗力,难以满足航站楼安全管理的需求。因此,智能监控技术的研究对于航站楼以及其他公共场所的安防工作具有重要的意义,有助于管理人员及时调整、调度安保力量,合理分配资源,提升突发事件的快速应对能力。本文的研究课题为基于深度学习的人群分析及其在航站楼的应用,主要关注人群计数研究和人群密度分布预测研究两个方面。首先,针对人群计数研究普遍使用的欧几里得损失函数忽略像素相关性且造成图像模糊等问题,本文提出一种基于条件生成对抗网络的人群计数模型,利用生成对抗网络的博弈思想,使用欧几里得损失和对抗性损失联合优化模型,强化生成密度图像的局部相关性并增强其质量,进而提升计数准确性。在两个人群计数数据集上的实验结果显示,所述模型达到了与主流方法相当的性能。其次,针对目前多数方法处理多尺度信息不理想的问题,本文提出一种基于增强型多尺度网络的人群计数模型及其改进版本,所设计的嵌入式GAN模块和尺度增强模块旨在保证生成高质量密度图像的前提下,强化模型对多尺度信息的灵活处理能力,以实现准确而高效的人群计数。将所述模型在三个人群计数数据集上进行了广泛的实验,实验结果超越了部分最新方法,从而证明了模型的有效性。最后,针对机场航站楼的特定监控视频数据,本文提出一种基于序列建模的未来短时人群密度分布预测模型,利用改进后的U-Net模型对序列人群密度图像进行建模,并结合像素强度损失、对抗性损失和光流损失以从外观和时序两个角度优化预测图像。实验结果表明,所述模型可以有效的捕获像素运动信息,在保证图像质量的情况下对未来短时的人群密度图像实现准确预测。