在农作物估产、车流估计、人群监控等任务中,目标的数量是一个重要指标。如何实现精确的、大范围的自动化计数受到学术界关注。基于图像的目标计数算法是实现大规模自动计数的一个可行方案。本文研究计数任务中的三个子问题,并提出了相应的解决方案和精确的计数算法。首先,在麦穗计数任务中,视觉上下文信息对于区分局部遮挡的麦穗是关键因素,但是当前的局部计数方法忽略了这种信息。本文利用局部计数网络未充分利用的感受野,在不增加网络参数量的前提下处理额外的上下文信息;同时,一种快速的实现方式被提出,该实现方式在训练阶段和测试阶段分别带来10.5倍和13.2倍的加速。实验表明:通过引入局部上下文信息,提出的计数方法在麦穗计数任务上有18.2%的计数精度提升,并且,该方法也适用于人群计数和玉米穗计数任务。进一步,本文研究一般目标计数任务中的开集问题,即计数值在理论上并没有上限,处在一个开集中;但是观察到的样本是有限的,其包含的局部计数值也是有限的,处在一个闭集之中。现有的计数方法在闭集上训练后,无法在开集范围精确预测。利用计数值的空间可分解性,将计数值从开集转化为闭集的空间分治算法被提出。对空间分治过程的数学分析和实验说明:通过空间分治,闭集上训练的计数模型可以对开集精确计数。空间分治方法在人群、车辆和农作物计数任务上都表现出当前最佳性能。最后,本文研究基于离散回归的计数方法。现有的基于离散回归的计数方法比回归方法具有更高的精度和更快的收敛速度,却容易受到计数数据集中噪声样本的影响。本文发现:样本之间的相似度可以用来识别噪声样本。基于此发现,一个鲁棒的基于代理人估计的离散回归计数方法被提出。实验和数学分析表明:该方法对于噪声样本鲁棒,并展现出优异的人群计数性能。