随着城市化的持续发展和建筑高度的持续攀升,垂直交通已经是生产与生活中不可缺少的一部分。如何更好地管理垂直交通系统,提升其服务质量成为备受关注的问题。交通系统的优化离不开对客流规律的分析,因此更加有效、准确地获取客流数据就显得尤为重要。以往的研究中多采用人工测量法来获取电梯交通上行及下行客流数据,而当建筑内存在大量层间客流时,该方式则变得不再适用。针对这一问题,本文利用深度学习中的目标检测方法,对电梯内监控视频中的乘客进行识别,从而达到获取进出客流的目的。在此基础上,利用层间OD(Origin-Destination)矩阵估计模型,对使用电梯的层间客流进行估计,证明了在实际情境下,从监控视频中智能化获取电梯交通流信息的可行性。本文首先介绍了目标检测相关技术的研究现状,通过对准确性及检测速度上进行分析对比,选择了YOLO＿V3模型作为客流检测的主要工具。使用自制训练集对模型进行训练,训练后的模型对视频中乘客识别检测的平均准确率可达0.9以上。随后,把检测模型识别的结果,与从监控视频中提取出的其他信息进行整合、清洗和分析,并从中计算出每次电梯停靠进入和离开的乘客人数。最后,提出了基于先验信息的最小二乘-极大熵模型。通过对建筑内乘客出行目的的调查,总结出主要的楼层间OD存在表,并将之作为先验信息。利用先验信息能够确认每次电梯行程中有哪些待估计OD对,从而有效地减少了求解时的计算规模。利用待估计OD与电梯停靠进出乘客之间的关系,建立最小二乘目标函数,并进行求解。根据极大熵原理,在多个可行解中,选择熵值最大的解作为最终的OD估计值。通过在不同规模仿真数据上与其他模型进行比较,证明了本文提出的模型能够在求解时间、绝对误差、精准度以及模型的鲁棒性上都有较好的表现。