近年来,各大城市的轨道交通系统正积极推动智慧地铁建设,基于智慧化、自动化的铁路运行新模式不断出现。但是,当前地铁交通面临着高峰期排队人数激增,车站运行过载的困境,同时,由于地铁运维人员缺少重要点位客流数据的支撑,无法及时提供有效决策,易造成混乱拥挤。因此,设计一套针对地铁客流场景下的客流检测系统具有重要的工程应用价值。基于上述情况,本文围绕基于深度学习的地铁客流检测系统展开研究,该系统优化了客流检测和跟踪方法,实现了客流场景下的数据采集和分析,完成对系统的搭建。本文的主要研究工作主要分为以下几个部分:1)提出一种基于多尺度坐标回归的头肩检测算法。该算法针对YOLOv4在进行头肩移动检测时出现的检测框抖动现象,通过调整每个检测网格的检测范围,针对不同尺度下的特征使用不同的坐标回归方式,缓解了由于激活函数带来的边界框抑制效应,使检测出来的目标中心点更趋近于真实分布。实验表明,该检测算法能有效缓解头肩移动时出现的检测框抖动现象,同时检测精度相比于原版的YOLOv4高出2.01%。2)提出一种基于全尺度特征改进的多目标跟踪算法。针对Deep SORT多目标跟踪算法使用单一尺度的特征进行级联匹配跟踪,在遮挡严重的场景下跟踪效果较差的现象,该算法原本的特征提取网络上添加统一聚合门,通过对跟踪目标进行不同尺度的下采样,并根据采样尺度的不同分配不同的权重,将采样后的特征进行融合,进一步提高了网络提取特征的能力。最后,通过多组实验对照表明该算法强化了Deep SORT算法中特征匹配的能力,减少了目标和轨迹之间错误匹配的次数,提高了跟踪器的性能。3)搭建客流检测系统,分别对视频采集模块,目标检测模块,目标跟踪模块和客流数据统计模块进行设计。对于目标检测和目标跟踪特征提取部分使用Tensor RT来实现神经网络的加速推理,在几乎不损失精度的情况下,极大地了提高目标检测和目标跟踪的速度。经过实际测试表明:经过优化过后的系统整体帧率从17FPS提升至32FPS,满足了系统的实时性要求;同时检测人数与实际人数误差在5%的范围内,符合客流系统的应用需求。