近年来，计算机视觉技术取得了突飞猛进的发展，这使得计算机代替人类解决各种问题成为可能，尤其表现在智能监控系统中，此类系统在无需大量人力的前提下，可以自动地识别场景中的目标，并对异常做出反应。在这种背景下，基于视频的人流量统计技术开始发展起来，与传统的人工计数方式相比，这种方法不仅节省了大量人力和财力资源，而且具有长期稳定运行的特点，避免了人力在疲劳状态下导致的数据的不可靠性。人流量统计技术在商场、地铁、车站等场所有着广泛的应用，统计出的人流量数据可以为各个场所做出相应的决策提供必要的依据。鉴于该技术的潜在的市场价值，本文对此技术展开了一系列研究，通过运用图像处理及计算机视觉中的相关算法，并最终提出了一种融合多种信息约束的多层次下的人流量统计方案。基于视频的人流量统计算法涉及到模式识别中的目标检测和目标跟踪两大核心技术，在目标检测方面，传统的基于统计学习理论的HOG结合SVM（支撑向量机）算法有着广泛的应用，HOG即梯度方向直方图，间接表示物体的轮廓信息，目前该算法多是针对整幅图像进行特征提取，计算量大，考虑到在人流量统计技术的实际应用场景中，目标具有运动的特性，本文采用Sobel算子及帧间差分法获取场景中运动的边缘，然后运用仅在运动的边缘周围用HOG和SVM进行目标检测的方式，减少了提取特征花费的时间，同时去除了在背景上检测出的虚假目标。考虑到检测是后继算法的基础，本文设置了较低的分类器阈值以使算法尽可能多的将目标检测出来，这就导致大量虚假目标的产生，文中通过运用空间信息约束，实现了对检测目标的第二次判决，去除了部分非背景上的虚假目标。在目标跟踪方面，通过加入颜色约束及时间约束，以目标检测指导Mean Shift跟踪算法的方式，实现了对目标的准确跟踪，获得了目标的运动轨迹。颜色约束和时间约束的加入，保证了算法在高检测率下的低误报率。最终，通过对目标的轨迹进行分析，算法实现了对目标的跨线计数的功能。实验证明，与其他算法相比，该算法通过运用空间、时间等多种信息，使其本身具有了处理速度快、统计精度高、鲁棒性强的特点。