人民防空作为国防建设的组成部分,是保护人民生命和财产安全的重要力量。随着人防工程建设规模的大幅度增加,特别是和平时期的非规范化使用,使得战时人防疏散难以有序、协调、安全的组织疏散,无法适应未来的信息化战争。同时在人员疏散过程中由于人群过于密集极易引发窒息、踩踏等二次灾难。基于深度学习的人流量统计技术可以实现人群掩蔽过程中可靠、精准的监控及帮助指挥人员实施安全、有效的疏散。人流量统计的关键就是行人检测与跟踪技术,当前算法中,由于人群遮挡、小目标行人及光线不足或过度等多方面因素,存在行人检测过程中的漏检、误检及速度慢等多种问题,最终带来人流量统计结果的误差。针对这些问题,本文围绕基于深度学习的人防场景下人流量统计技术,在小目标、密集行人及遮挡行人的检测及跟踪等方面展开研究,具体如下:以深度卷积神经网络为基础,研究了基于Faster R-CNN、YOLOv3和YOLOX三种行人检测的方法,并在PASCAL VOC数据集上进行评测。通过实验表明,单阶段的YOLOX方法在m AP、F1score及检测速度上都优于Faster R-CNN和YOLOv3,因此选择YOLOX算法作为行人检测的基模型,为人流量统计奠定了基础。在YOLOX的基础上提出改进的YOLOX目标检测算法。首先研究了原始的Io U及GIo U损失函数,采用-log（Io U）修改为1-Io U（=1、2、3……）的方式,为了提升模型的泛化能力,分别对-log（Io U）、1-Io U、1-Io U、1-Io U四种损失函数做比较,最终选择1-Io U的方式来改进原始的损失函数,让模型效果提升更加明显。由于1-Io U在检测效果较好的预测框准确度提升上表现较好,而-log（Io U）在检测效果较差的预测框上表现更好,因此将这两种形式进行结合提出了Combined Io U策略,进一步提升了模型整体的泛化能力。为提升特征融合效果,从FPN网络入手,对PAFPN网络进行了优化及改进,提出了DPAN和DPAN+网络,在小目标及重叠目标的检测效果上有了提升,最终的m AP值达到了92.57%。最后使用改进的YOLOX目标检测器作为行人检测模型,将检测到的目标框中的特征进行提取,在DeepSORT框架下,通过卡尔曼滤波器对行人目标的状态进行预测,然后通过匈牙利算法和级联匹配方法计算前后两帧间的匹配程度,确保跟踪的准确性。实验结果表明改进算法在一定程度上提升了行人跟踪的准确性,为人防场景下的人流量统计奠定了基础。