如今,视频监控系统被广泛部署到实际生活中。而人群计数任务作为适用于该系统的智能化程序之一,在保障社会公共安全,人流管控等方面占据着重要的作用。如何提高视频监控中人群计数的精确度,已经成为相关研究人员共同面对的技术难题。监控视频捕获的图像由于多样的场景布局、不同的图像分辨率、透视变化和复杂的背景噪声等因素,导致人群对象被严重遮挡和呈现大规模的尺度变化,制约了对人群数量估计的准确性。由此在高密度冗杂的人群场景中,实现准确的计数非常困难。本文针对高密度复杂场景下的行人头部尺度变化和复杂背景噪声干扰等问题,展开基于特征融合和注意力机制的人群计数方法研究。具体研究工作和取得的研究成果如下:1)针对行人头部尺度变化问题,设计了一种渐进式多阶段特征融合模型:规模感知多阶段融合网络。基于特征结合策略,通过捕捉和拼接不同感受野的行人头部特征,设计了多尺度空洞卷积模块,能够感知不同尺度的人群特征,同时学习到更多的行人细节信息。此外,设计了一种新颖的特征结合策略U型融合结构,能够从网络的深层至浅层,逐步地融合相邻阶段输出的多尺度特征,使浅层信息和深层信息之间进行互补增强,从而进一步提升网络对人群信息的感知能力和对多尺度特征的提取能力,实现了较低的计数误差。2)针对复杂背景噪声干扰的问题,同时考虑到人群头部尺度变化,设计了一种简单但有效的级联模型:尺度感知和全局上下文网络,该网络主要由特征提取网络以及尺度感知和全局上下文模块组成。其中尺度感知和全局上下文模块是受注意力机制的启发,在前述多尺度空洞卷积模块和U型融合结构的基础上,设计的一种复杂度更低的注意力模型。该模块中融合了多尺度特征的选择和全局语义信息的提取,并且通过多尺度全局上下文语义信息去矫正捕获到的多尺度特征,使生成的特征图能够更加专注于人群区域,减少对背景噪声特征的关注,从而进一步提高计数模型的性能。3)针对以上提出的模型进行了大量的实验,分析和验证了在高密度繁杂的人群场景下,提出的方法对于抗人群尺度变化和背景噪声干扰的有效性和强大性能。