随着社会和科技的不断发展,对于监控视频场景的智能分析系统的需求也不断的上涨。在众多的监控视频分析功能中,对视频中的人员进行定位以及计数是一个重要的研究方向。本文基于深度学习的理论,利用多任务学习的方法设计了一个可用于图像中人员定位以及计数的多任务学习模型,然后结合后处理算法进一步提高系统的精度。本文主要进行了以下的工作:1)对系统应用场景的视频数据做了收集、划分、标注,从图片数据的场景出发,说明了采用基于人体目标检测模型的原因。针对传统标注方式速度慢的问题,本文通过半自动化的标注方式可以快速获得本文训练所需的人体包围框以及掩码标注数据,包围框可用于目标检测任务训练,掩码可用于人体实例分割以及语义分割训练。2)从多任务学习的思想出发,引入实例分割以及语义分割任务进一步提高人体检测精度。为了使得网络能够高效地完成实例分割任务,本文在原有的基于关键点检测的网络基础上引入额外的掩码特征分支以及控制器分支进行条件卷积操作,以此输出不同实例的掩码。同时,本文进一步引入了语义分割分支来进行学习。为了实现人员定位以及计数任务,本文通过实验分析了检测结果最佳的筛选阈值,并且在最佳阈值下对人员计数以及定位指标做了测评。通过检测精度与定位和计数精度的比较分析了检测性能与定位与计数性能间的关系。3)针对图像目标检测模型无法充分利用视频时序信息的问题,本文引入了热图扩展算法在后处理阶段融合了视频时序信息,进一步提高了所提出模型的定位以及计数性能。通过实验确定了热图扩展算法的最佳超参数。此外,针对部分目标易被误检的问题,本文引入了掩码非极大值抑制算法,通过实验对比说明了掩码非极大值抑制算法相比于边界框非极大值抑制算法的优势。4)基于多任务学习模型与后处理算法,本文设计了一个可对多路视频流进行人员定位以及计数的应用系统。该系统可对视频场景中的人员离岗行为进行报警,从而实现更好地预防因人员擅自离岗造成的事故。