随着世界人口的急剧增加，城市化进程加快，人群集聚现象十分明显。人群高密度聚集不仅导致潜在的安全隐患，还阻碍了城市的发展。人群计数作为智能监控领域的一个方向，已经成为计算机视觉领域的研究热点。有效的人群计数对于视频安全监控，道路拥堵监测，城市规划布局等有着重要意义。
　　近些年，随着深度学习的快速发展，卷积神经网络对不同领域的发展都有巨大的提升。这促使研究者们致力于使用卷积神经网络来提升人群计数系统的性能。由于存在人群背景噪音和人群尺度变化等因素影响，使得模型难以适应复杂的人群环境，实现良好的计数效果。
　　为了有效解决人群计数中遇到的上述问题，本文提出了一种基于多任务学习的尺度感知人群计数方法（Multi-taskScale-aware model，MTSA）。通过设计尺度聚合模块，提取不同尺度的特征，并将这些尺度特征进行聚合，使网络能够适应人群的尺度变化，极大提高了模型的特征表示能力和尺度多样性，有效缓解了尺度变化问题。此外，针对人群计数中背景噪音干扰影响计数准度的问题，本文提出使用基于分割的方法将人群特征和背景噪音分割，去除背景噪音的特征干扰，有效降低对于背景噪音的错误计数。同时，本文基于多任务学习，引入了人群密度感知模块，对不同人群密度的等级进行划分，在计数的过程中通过对人群密度等级的划分，融合密度等级分类信息后，更加有效降低了人群计数的误差。
　　本文分别在Shanghaitech，UCF-QNRF，UCF_CC_50与Mall四个常用的公开的数据集上进行了大量的实验。实验结果表明，本文提出的MTSA算法的具有良好的计数效果和较强的泛化性。