乘客是城市轨道交通的主要参与者,也是城市轨道交通运营管理工作的主要服务对象。全面掌握乘客的拥挤程度信息对城市轨道交通运营过程中的客流组织、车站管理、行车调度和风险防控等多方面的工作有重要意义。城市轨道交通视频监控系统采集的监控视频能够直观地反映乘客拥挤程度。但监控视频中的信息难以被计算机检测和利用。本文依托现有的视频监控系统,引入深度学习方法,构建一种适用于城市轨道交通场景的乘客拥挤程度视频检测方法。该研究丰富了客流信息的来源,对提升轨道交通智能化管理水平有着重要意义。在计算机视觉领域,检测视频或图像中的包含人体目标数量的问题被统称为人群密度估计问题。本文首先分析了人群密度估计和深度学习领域的相关研究成果,对人群密度估计技术的发展脉络和方法分类进行了梳理。综合考虑现有研究成果的不足和视频检测方法的实际需求,提出了两个关键问题,如何提取运动特征和构建深度学习网络。在此基础上,对解决问题的运动估计和卷积神经网络两大关键技术展开研究。明确运动估计技术的基本定义和方法流程;详细研究卷积神经网络的发展起源、模型定义、构建方式、训练方法等。研究成果为后文视频检测方法的研究提供理论基础。城市轨道交通乘客拥挤程度视频检测的研究从检测流程入手,构建一个包含预处理模块,核心检测模块和输出模块的三步检测算法。预处理模块包含运动特征提取和检测区域选择两大功能。核心检测模块以卷积神经网络为基础,分为特征提取、特征叠加和结果输出三个阶段。输出模块旨在将检测结果转换为具有实用价值的信息。研究过程中,确定了网络结构、卷积核配置等关键参数。网络训练采用基于随机梯度下降的多目标训练方法。选择平均绝对误差和平均均方误差作为视频检测方法的评价指标。采用模型简化测试验证视频检测方法核心检测模块中相关改进的合理性。通过对比实验验证检测算法的先进性。最终,利用视频检测方法对真实的监控视频进行检测,证明方法的实用价值。