随着视频监控技术越来越发达,以及监控摄像头越来越密集,人流量的统计是现在计算机视觉方面的热点,是构造智慧城市的一部分。行人的数量信息在日常生活中具有重要意义,尤其是在公共场所,人的数量信息在领导做决策的过程中起着重要的作用。对于人数比较多的地方,比如超市、购物中心、火车站、博物馆等场所,人的数量信息能够为管理者们做决策提供数据支撑。因为卷积神经网络模型中的每一层都包含待识别目标的特征信息,所以本文对卷积神经网络的改进在于使用学习模型的最后一层特征信息的同时,也使用各个池化层的特征信息,能够更好地描述待识别目标。使用池化层的特征时采用PCA降维的方式,提高运算效率,获取特征向量,输入分类器进行分类。本文的跟踪方法是首先根据空间位置信息进行筛选,然后利用卷积神经网络进行目标识别过程产生的PCA特征向量进行行人匹配,进而实现行人跟踪计数。本文改进的卷积神经网络模型充分利用学习过程中的分类信息,并通过PCA降维提高运算速度。将其与传统的视频处理方法相结合后,针对视频中的多个行人具有较高的识别率和较好的跟踪效果,统计出的人数也更加的准确。