在室内场景下对人群数量的计算和统计有助于管理者优化配置公共资源,预防区域内人群密度过大带来的踩踏事故,可实现公共场所的智能化管理。基于传统硬件传感器的客流统计虽已得到较为广泛的应用,但存在应用场景限制和需要预先规划部署等局限性。而随着计算机视觉算法领域的快速发展,基于视觉传感器的人数统计方法较之更为灵活、准确,但也存在人体姿态、复杂背景干扰等众多难题。为此,本文基于多模图像信息（可见光图像信息和深度图像信息）,利用计算机视觉算法和深度网络算法,对室内场景下的人数统计问题进行了深入的研究,主要研究内容和结果如下。依据多模图像数据采集和低功耗设备运行算法的研究需求,选用了以Intel D435深度相机和NVIDIA Jetson nano嵌入式开发套件为基础硬件搭建了多模图像实验平台,研究了多模图像数据处理中的相关技术,为后续人数统计方法研究提供了图像数据基础。研究分析了人数统计算法产生的目标误检问题的原因,提出了一种基于深度图像信息的人数统计错检去除方法。首先利用深度图像信息对室内场景进行了背景建模,同时基于背景模型对前景目标进行了检测。基于行人目标检测结果和前景目标区域的占比对检测结果进行了有效性分析,从而提高算法的识别能力和准确性。经过实验分析可得,利用多模图像信息可以有效解决复杂背景带来的行人目标误检测问题。在利用深度图像数据解决错检目标问题的基础上,深入研究了RetinaFace算法,提出了一种针对嵌入式设备的RetinaNet网络的优化方法。主干网络替换为MobileNet并加入SSH检测模块,对网络的轻量化处理提高了算法的检测速度;然后在轻量化网络基础上,设计了一种基于多模图像特征融合的深度网络模型,采用双通道结构实现彩色图像与深度图像的同时输入,利用Res Net网络提取深度图像特征,在输入多尺度特征层前进行通道拼接;然后通过去除任务无关函数以简化损失函数;最后利用公开数据集对网络模型进行了训练,设计并完成了对比试验。结果表明针对嵌入式设备的RetinaNet网络优化方法可以有效提高在设备上的实时检测速度;并且基于多模图像特征融合的深度网络模型在引入深度图像信息后仍具有较好的识别准确率,能够有效满足在嵌入式设备上的检测任务需要。基于便携式人数统计系统设计需求和开发运行环境,利用多模图像实验平台硬件设备的低功耗特性,拓展通信模块以及电源模块实现了系统的便携式部署;在嵌入式设备上设计了多模图像采集功能和人数统计功能;利用socket编程优化了用户端与设备端的网络通讯以完成了系统部署;最后,设计了基于Qt的操作界面,从而开发了一套便携式人数统计系统。结果表明本文所设计的便携式人数统计系统能够满足对室内场景下的人数统计任务需要。