人群计数作为智能监控系统的关键技术之一,旨在精确地估计实际场景的人群数量和密度分布,在公共安防预警、交通管控、城市规划等方面具有重要作用。随着交通愈发便捷和城镇化不断推进,不同场景下大规模的人口流动和人群聚集越来越频繁,导致人群聚集地发生安全事故的概率不断增加。通过人群计数可以对各种复杂场景下人群状况进行实时监控,分析监控信息并找出安全隐患。近几年,受益于图像处理技术的不断发展和硬件水平的提升,基于卷积神经网络的人群计数方法凭借其良好的计数准确性和泛化性得到研究者的广泛关注。然而,受到复杂场景下人群非均匀分布和背景杂乱等影响,现有的人群计数算法存在人群非均匀分布、背景噪声干扰和大规模尺度变化等挑战。为了克服以上挑战,本文在注意力机制、多尺度感知和网络结构等方面进行研究并提出卷积神经网络模型,提高人群计数模型在复杂场景下的计数准确性和鲁棒性。本文主要内容如下:（1）针对复杂场景下人群非均匀分布的问题,提出一种基于上下文感知的人群计数算法。首先,为了更好地提取拥挤人群头部特征,构建跨层特征的空洞空间卷积池化金字塔,通过设计不同空洞率的卷积和跨层通道拼接结构,充分提取不同尺寸头部特征,并保留浅层特征的空间细节信息;其次,为充分融合不同层的特征,构建特征金字塔融合模块,通过通道拼接将深层上下文信息融合到浅层抑制人群密集区域的噪点信息,并通过像素相加保留浅层特征的边界细节信息;最后,通过上下文注意力模块提取局部和全局上下文信息,生成并融合能应对不同人群分布的局部和全局注意力图,使网络关注不同人群分布的人头信息,减少由于不同人群分布带来的计数误差。为验证网络各个模块的有效性及模块最优的参数值,设计网络模块与其它对比方法和所提模块内部不同参数的对比实验。为验证模型在复杂场景下的计数性能,在Shanghai Tech、UCF＿CC＿50、UCF-QNRF和NWPU-Crowd数据集上设计与先进人群计数算法的对比实验,其中在Shanghai Tech数据集上的MAE和MSE为61.7、7.8和99.6、12.8,结果表明所提算法在人群非均匀分布的场景下具有较高的准确性和鲁棒性。（2）针对复杂场景下背景噪声干扰和大规模尺度变化的问题,提出一种基于注意力机制的多尺度融合人群计数算法。首先,构建基于残差连接的空洞空间卷积池化金字塔,通过多个不同空洞率的空洞卷积捕获多尺度的头部目标特征,并通过残差结构保留原特征图的空间细节信息;其次,构建多分支特征融合结构融合不同感受野大小的分支丰富特征信息;然后,提出基于通道和空间的注意力机制模块,通过逐像素矩阵运算建模特征图的通道和空间信息长距离依赖关系加强网络对于背景和人头目标的判别能力,自适应矫正位置信息;然后,设计基于残差连接的空洞空间卷积池化金字塔、多分支特征融合结构、通道和空间的注意力机制模块与其它方法和模块所含不同参数的对比实验,验证各模块的有效性及模块所含参数的最优值;最后,在Shanghai Tech和UCF＿CC＿50人群数据集上的实验结果表明,所提算法比十一种先进对比算法的最优值在MAE和MSE指标分别降低1.4%、4.2%和4.9%、1.8%,所提算法在存在背景噪声干扰和大规模尺度变化的场景下能够更加精确地预测人群分布状态,生成高质量的人群密度图。