高铁因为它的高安全性和高时效性,使得其成为几乎每个人首选的出行方式。随着高铁的普及率逐年上升,国内自主研发的新技术不断应用,每个车站的人流量也在逐年递增。本文进行研究与实验的目的是基于深度学习和目标跟踪算法在车站场景下进行人流量检测与统计。卷积神经网络（CNN）和视觉目标跟踪（Visual Object Tracking）也是近年来计算机视觉领域受到广泛关注和研究的方向。其中YOLOX目标检测算法是在YOLO系列的基础上吸收近年来目标检测的最新成果。但进行视觉跟踪的核心目的通常集中在以下两点,一是对物体在后继视频序列中的行动轨迹作出有效估计,二是明确物体在后继视频序列中的活动状态,并以此收集的信息数据为基础来剖析物体语义的深层内容。立足于计算机视觉领域,以该领域中目标检测方向的最新研究成果,即YOLOX为导向,着重探索目标跟踪方向中的多目标跟踪板块,同时在研究过程中以简单的在线和实时深度关联度量跟踪（Deep SORT）为代表的多目标跟踪策略为基础,并将其嵌入到实际的跟踪任务中。本文以传统目标检测算法为研究出发点,详细的介绍并分析了目前主流的二阶段和一阶段目标检测算法,而后又将传统目标跟踪算法以及多目标跟踪算法两大类别进行对比分析,为进行以YOLOX与Deep SORT为基础的人流量统计算法研究做好了充分的理论支持与铺垫。在阐述完YOLOX目标检测算法和Deep SORT目标跟踪算法的基本原则和流程后,对整个系统的最后一步即人流计数算法进行了介绍,最后将人流量统计算法在MOT16数据集上进行了测试,并在沈阳北站进行了视频采样,将人流量统计算法应用于实际的车站场景。本文充分考虑目标检测算法所具备的特性,修改了YOLOX模型,提出了基于CBAM注意力机制的YOLOX-AM目标检测模型。率先在人流计数统计系统中混合应用了以下两种模式,一是YOLOX-AM目标检测算法,二是Deep SORT跟踪器,由于上述两种模式的嵌入,算法跟踪能够因此成功作用到行人多目标跟踪数据集MOT16上,计算了12种评价指标。同时在MOT16数据集上实现了人流计数功能,并应用于车站场景。经过实验验证与分析,基于YOLOX-AM与Deep SORT的人流量统计算法在车站环境的实际应用上取得了良好的效果,体现了本系统较好的鲁棒性,具有实际应用价值并可以推广到诸如机场、学校、商场等应用场景。