随着经济全球化的不断推进和我国城市化率的不断提高,人群集聚的现象显得越来越明显。然而,人群在聚集活动时不仅容易发生踩踏事故,在新冠肺炎疫情还没有结束的当下也很容易导致聚集性疫情。在面对人群过度聚集的情况下,仅仅通过人工来处理往往很难及时发现以及预警人群的集聚现象并做出准确的判断。因此,针对人群进行准确的人群数量统计来预防事故的发生显得尤为重要。得益于以深度学习和卷积神经网络为核心的人工智能算法的出现,目标检测、识别、分割等图像处理领域都得到了飞速的发展,人群计数算法的精度也因此得到了很大的提升。然而,人群计数算法仍然面临着以下几个难题:人群图片背景复杂、人头尺度变化大、人群分布不均匀和遮挡严重。为了解决以上问题,本文提出了一种新型并行跨层特征融合网络,以VGG为主干网,结合跨层多尺度融合模块的同时引入SSIM损失函数,具体工作内容如下:（1）.提出了一种并行跨层特征融合的人群计数网络算法。使用VGG16作为特征提取主干来提取图片的底层特征,同时为了解决人群尺度差异和人群分布不均的问题,本文方法采用两种具有不同尺度特征提取能力的网络来提取VGG16输出的底层特征。稠密人群检测网络用卷积核较小的卷积层组成来提取尺度较小的信息,而稀疏人群检测网络使用空洞卷积和卷积核较大的卷积层来提取尺度较大的人头信息。（2）.针对尺度差异大和图片背景复杂引起的计数不准确的问题本文方法设计了一种跨层多尺度融合模块。为了同时利用底层特征和高层特征的语义信息与具有不同尺度的特征,此模块能将直接来自VGG16具有更多位置信息的底层特征和经过更多特征提取卷积层而具有更多语义信息的高层特征相融合,同时将具有不同尺度信息的特征相融合。（3）.为了提取尺度较大的特征,通常做法是采用较大的卷积核和池化层。本文的方法大量使用空洞卷积来替代大卷积核,在将感受野提升的同时不像池化容易丢失部分细节特征,最终在保证了图像的分辨率、减少训练参数的同时提升了在各种场景下人群计数的准确率。（4）.为了提升人群计数网络生成密度图的真实性,本文训练方法引入SSIM结构相似性损失函数,结合欧式损失函数生成一种自适应损失函数,实验结果表明比使用这种损失函数能帮助模型取得更好的结果。结合以上方法,本文提出一种基于跨层融合多尺度聚集的多层并行卷积神经网络,并在公开数据集:Shanghai Tech数据集、UCF＿CC＿50数据集、UCF＿QNRF数据集和Shanghai EXPO’10数据集上对本文的网络和训练方法进行了验证。研究结果表明此方法与现有的网络结果进行比较,本文提出的人群计数算法具有更高的精确度和更强的泛化能力。