人脸识别技术是一种技术先进且应用方便的基于计算机视觉的生物识别技术,利用该技术可实现行人监测中无感的行人身份识别与验证。在面对密集人群时,人群计数可以迅速估计出目标区域内的人群数量及密度,因此人群计数是密集人群行人监测的基础性研究。人脸识别与人群计数可以看作近、远两种场景与人群稀疏、密集两种情况下的行人监测应用。由于多旋翼无人机具备飞行灵活、图像采集方便的特点,利用无人机平台来实现人脸识别与人群计数可以有效的提升行人监测任务的效率与质量。无人机在具备图像采集灵活性的同时,其图像采集过程中的飞行抖动及特殊拍摄角度也会给人脸识别算法与人群计数算法带来新的挑战。针对上述问题,本文搭建了基于卷积神经网络的无人机人脸识别系统并对基于卷积神经网络的无人机人群计数算法进行了研究。该无人机人脸识别系统选用微型无人机作为图像采集平台并将无人机与地面站通过Wi Fi进行连接,系统中地面站在控制无人机飞行的同时接收无人机回传的高清视频流,地面站通过运行基于YOLO（You Only Look Once）的卷积神经网络人脸识别算法对无人机回传图像进行实时的人脸识别。本文通过自建无人机人脸数据集对人脸识别算法进行训练并对无人机人脸识别系统进行了验证实验,实验证明该系统具备较好的人脸实时识别能力。由于海滩人群特征的丰富性,本文针对夏季海滩密集人群对基于卷积神经网络无人机人群计数算法进行了研究。由于海滩人群特征复杂且无人机视角特殊,本文在MTLCNN（Multi-task Learning Convolutional Neural Network）的基础上对其网络模型结构和损失函数进行了针对性优化,并提出了一种无人机人群计数卷积神经网络UCC-CNN（Unmanned Aerial Vehicle Crowd Counting Convolutional Neural Network）,该网络具备更好的微小目标特征的提取能力及鲁棒性。本文自建了大规模无人机海滩人群数据集并对UCC-CNN网络模型进行了训练与测试。本文还利用多种算法进行了人群计数算法性能的对比实验,实验结果证明本文提出的UCC-CNN在人群计数精确性和鲁棒性上都具有一定的优势。