传统的客流统计主要通过对客流中的每个人体目标进行特征检测、目标追踪等方法实现,目前该技术已经取得了一些研究成果,这些方法在景点客流量统计情景下,会因为景点环境游客高峰期客流密度大,身体显著遮挡,人体会伴随人流的快速移动等情况的存在,人体分割存在很大的误差,在获取人体运动信息方面不够精准,使得景区客流统计在技术层面仍存在较大提升空间。采用传统神经网络可以对输入的监控视频生成对应的客流量统计数据,借助BP算法能够改良网络权值,促使调整的核心梯度持续下滑,但是伴随网络层级的递增,核心梯度会下降并慢慢趋向于消失,造成BP算法难以调整和输出层相距较远层级的权值。传统的神经网络权值的调整手段存在很大的缺陷,深度信念网络（Deep Belief Network,DBN）模型可以通过增加隐藏层网络结构的层数,得到更加详细的景点客流量人数特征,在规模庞大的客流图像信息中抽象出符合景点客流量人数信息内在规律的客流数据特征。本课题以DBN模型为基础,对视频图像进行特征提取,完成了景点客流量统计DBN的无监督预训练阶段模型结构的选择设计,以及有监督阶段模型层数和节点数的微调,并对实验结果进行了分析和对比。在景点客流量统计DBN无监督预训练阶段,引进了动量学习率来优化DBN的训练步骤,通过改进受限玻尔兹曼机（RBM）网络以提高客流人体特征提取精度,既提升了训练效率,又可以保证网络中每层的特征尺度最优化。在有监督学习模式下将共轭梯度法嵌入DBN模型进行模型深度层数选择和隐层节点数微调,通过实验在景点客流量统计场景进行验证,并对比分析了微调实验结果,实现景点客流量统计改进模型,从而有效改善和提高景点客流量实时统计的精度问题。实验结果表明,本文提出的景点客流量统计DBN模型方案客流量统计结果的实时准确性达到93%,针对景区不同客流场景情况下合理的DBN网络模型隐层层数和节点数设计微调后,实验得到小于100人场景最小统计误差3.62%,三种场景平均统计误差6.35%。本论文研究成果对景区客流量的实时统计有一定的参考作用。