随人口基数的不断增长以及人类活动呈现的多样化趋势,人群拥挤场景随处可见,如空港、车站、体育场等,人群聚集往往会带来意料之外的安全隐患,随之而来的拥堵、踩踏甚至暴恐事件,给传统的公共安全系统带来了不小的挑战。由此,人群计数作为一项典型的统计任务,在过去几年中越来越受到关注。研究人员不断尝试将这一技术实用化,比如在公共安全,行人监控及灾害应急管理等实用领域。其中,基于计算机视觉的自动化人群分析解决方案因低成本、高效率的特点,逐渐成为一支重要的研究方向。随着科学技术生产力的不断提高与不间断的技术投入,该领域逐渐完成了从单纯的场景人群统计到兼顾空间信息的密度估计任务的转变,因此在本文中将两者一起讨论。在技术的不断发展与革新中,与传统的计算机视觉方案相比,深度学习方案不论在性能还是易用性上都取得了空前的成功。本文立足于深度学习技术,深入剖析了相关技术在实际部署中的技术痛点,在此基础上提出并验证新方案的性能。本文的主要工作如下:(1)本文比较了学术领域中回归方案的不同侧重点,仔细分析了不同数值量化方案给模型学习带来的提升,引出了语义特征量化对模型性能改进的可能性。针对原有特征量化方案对局部信息的破坏以及维度灾难问题,本文提出了一种基于特征量化原理的模型构件,该构件可被引入现有模型中参与End-to-End的任务训练。实验证明该方案在MAE和RMSE指标上表现出明显的性能优势。(2)本文列举机器学习领域中三种典型的模型训练策略(类别均衡、难样本挖掘以及课程学习),分析这一系列策略对于模型性能提升的可能性。基于贝叶斯方案引入的学习粒度的细化,本文提出了一种改良的贝叶斯损失函数。实验证明,该方案能够有效引导模型有带偏好的学习相关知识。(3)本文以结果质量和服务质量为依据,对人群计数与密度估计的实用化研究工作展开讨论。首先,本文总结了相关领域轻量化模型的研究工作,提出一种面向人群计数与密度估计任务的轻量化模型架构设计方案。其次,本文归纳了模型无关的神经网络主流轻量化方案,涉及当前成熟的网络量化与剪枝工作。最后,本文对模型服务质量做进一步深入,提出了一种人流对冲风险的可视化方案。