人群计数在视频监控、交通监测、公共安全及城市规划等方面有着广泛应用.由于存在遮挡、环境杂乱、密度分布不均、尺度和透视变化等因素的影响,这一任务面临大量挑战.目前已有为实现跨尺度人群计数而设计的多列卷积神经网络(Multi-column Convolutional Neural Network,MCNN)模型,但其训练过程非常繁琐.本文提出一种单列卷积神经网络人群计数方法,通过加深网络层数来丰富特征的”层次”,在估计人群数目的同时可以得到人群的密度分布信息.为加快训练速度、提高训练样本的多样性,采用随机裁剪的方法对原图像进行分割,并引入绝对计数与密度图估计两个相关的损失函数来共同训练网络.在ShanghaiTech、UCF CC 50和WorldExpo’10公开数据集上的实验结果表明,本文提出的方法优于MCNN,能适应不同的场景和不同的人群密度水平,证明了单列卷积神经网络同样能对目标尺度和透视变化具有鲁棒性.