由于经济和城镇化的发展,近年来城市人口数量剧增,公共场合极易出现人群聚集,导致安全事故频发。因此将人群计数算法用于安防的相关研究是近年来的一个研究热点,但由于人群图像中背景杂乱、行人尺度大小不一等问题,当前人群计数算法性能仍面临巨大挑战。针对以上问题,本文主要研究如下:1.针对人群图像中行人尺度大小不一的问题,本文提出了一种基于分层密连接的人群计数算法。首先将主干网络分为三个不同深度的小模块以提取丰富的利于小尺度信息识别的细节特征;之后基于残差块设计了阶梯状多分支结构的语义特征强化模块以提取丰富的利于大尺度信息识别的语义特征;最后以密连接的方式将语义特征与细节特征进行融合,促使网络兼备细节特征和语义特征,强化网络对大、小尺度行人信息的识别能力,从而提高人群计数网络的准确度。2.针对人群图像中背景杂乱的问题,本文提出了基于行人信息引导的人群计数算法。首先基于不同空洞率的空洞卷积设计了多分支特征提取模块以提取多个尺度的行人特征;之后设计了行人信息引导模块抑制背景信息,凸显行人信息,获得行人信息显著的行人引导特征图以引导网络对多个尺度的行人特征进行重点关注,促使网络为行人信息分配较多的权重值,对背景信息分配较少的权重值,以此弱化背景信息,从而减少背景信息的干扰,提升算法性能。3.将本文提出的人群计数算法与Sa CNN、PSDNN、HYGNN等较为优秀的人群计数算法进行了对比实验,以验证所提网络的准确性与鲁棒性;对本文设计的模块进行消融实验,以验证所设计模块的有效性与合理性。结果表明,相对于其他算法,本文针对相关问题而提出的算法在Shanghai Tech数据集B部分MSE值减少了3.5%以上,在CUF＿CC＿50数据集上MAE值减少了6.6%以上,在UCF-QNRF数据集和World-Expo’10数据集上也有同样的良好表现,有效提升了算法准确性。