随着社会的不断发展和进步,人类集体性的活动日益频繁,聚集的场所也越来越多,准确估计人群密度和数量可以为预判人群活动提供非常有效的信息,有利于保障社会公共安全。人群计数已成为当下计算机视觉领域方面的一项研究热点。早期的人群计数方法主要以检测和回归为基础,近年来,深度学习凭借其在特征学习方面卓越的能力吸引了越来越多的研究者。鉴于深度学习方法在人群计数方面比传统方法的计数精确度更高,本文采用基于深度学习的方法实现密集人群计数。主要工作如下所述:1)提出了一种由像素级注意力机制和改进的单列人群密度估计网络两部分组成的高密度人群计数方法。该方法针对人群分布不均和网络学习参数众多问题,首先利用全卷积神经网络对人群图像进行像素级分类,然后采用改进的单列卷积神经网络实现对人群密度的估计,从而回归得到总人数。提出的方法在Shanghai Tech、UCF＿CC＿50以及World Expo’10这三个公开且流行的人群计数数据集上进行了实验,与当下主流人群计数算法相比,本文提出的方法在人群密度估计方面具有更好的性能。2)提出了一种基于生成式对抗网络结构的人群计数方法。该方法采用U-net神经网络作为生成模型,通过编码-解码的方式生成人群密度图。该方法还针对图像的两种输入方式（原始图和图像小块）设计了对比实验;在判别模型中引入了空洞卷积,并在Shanghai Tech＿part A子数据集上进行了实验。结果表明采用图像块输入方式的生成网络与引入空洞卷积的判别网络得到的模型与对比方法相比性能最优。