随着我国人民物质生活水平的显著提高,公共场所内存在大规模人群聚集的情况已经成为常态,从而埋下了严重的安全隐患。现如今,智能化的视频监控设备被广泛应用于人群聚集场合的实时监测,为人群行为管控和突发事件预警提供了诸多有效信息。其中,人群数量信息作为公共治安管理的重要决策依据,因此对基于智能监控图像的人群计数算法进行深入研究非常具有实际意义。在对公共场景中视频监控图像进行人群计数时,基于卷积神经网络的人群计数算法能够实现图像中有效特征的自动提取和组合。然而在实际应用中,拍摄视角变化、透视变形失真和行人个体差异等因素使图像中的人物呈现出多尺度的形态,导致算法的性能有所下降。以往的研究工作中提出,通过使用具有尺度感知能力的多列网络结构,实现不同尺度人物的自适应检测。但多列网络结构复杂,参数量大,训练难度较高,为算法的广泛使用带来一定局限性。同时,网络结构中设置过多的下采样层降低了图像分辨率,影响了小目标计数的准确性。因此,本文提出了一种基于多层次卷积神经网络的人群计数算法,该算法使用一种多层次特征融合的单列深度卷积神经网络结构,前端部分借鉴了VGG-16结构的设计,充分提取图像中的浅层语义信息并组合抽象生成高级特征;通过对多个网络层输出特征图进行融合,丰富了其中包含的尺度信息,使模型具有多尺度感知能力;同时采用扩张卷积代替池化来增加感受野,避免了深层网络中过度下采样导致细节特征的丢失而产生错检漏检。本文在公开人群数据集Shanghai Tech上进行训练和测试,相较于以往基于多列网络结构的算法,本文所述算法计数误差明显降低,同时在训练中具有更快的模型收敛速度。最后本文还制作了一个全新的公共监控拍摄角度的人群数据集对训练得到的模型进行迁移性测试,验证了算法在不同场景中的有效性和实用性。