随着经济的迅速发展、世界人口的指数级增长以及城市化进程的加快,音乐演唱会、体育赛事等人群聚集活动愈加频繁。然而,人群过于密集极易使得人群失去控制,进而可能发生严重的踩踏事件。面对诸如此类的安全隐患,需要加强公共场所监控。人群计数与人群密度估计在监控体系中起着关键作用,因而已成为安防领域的热门研究课题。由于公共场所人群场景多样化、复杂化、人群分布不均,以及透视变化等问题,使得人群计数任务极具挑战性。现有基于卷积神经网络的人群计数方法在精度上已能够获得较好的效果,但通常耗时严重,效率较低。本文在对已有的人群计数方法与通道剪枝方法进行分析、归纳的基础上,设计了基于多任务学习的人群计数方法,并设计了一种通道剪枝方法对上述多任务学习训练出来的强基线模型进行剪枝以实现快速人群计数,满足实际工程应用所需精度与速度的要求。本文在前期工作中阐述了人群计数任务的研究背景和研究意义,针对基于检测、基于回归以及基于密度估计三类人群计数方法的国内外研究现状进行了总结与分析,并且详细介绍了相关的理论及技术,包含深度学习中的卷积神经网络（Convolutional Neural Networks,CNNs）、深度学习中的多任务学习以及卷积神经网络通道剪枝技术。而本文的主要工作包括:（1）设计了一种基于硬参数共享的多任务学习人群计数方法,通过多任务学习来提高模型的泛化能力,而进行测试推理时无需辅助任务参与,能够提高计数速度。本文通过训练这样的硬参数共享多任务学习网络结构,获得了更加鲁棒的人群计数基线模型,以便后续进行通道剪枝时减小精度损失;（2）提出了一种通道剪枝方法来对构造出的强基线模型进行剪枝,以实现快速人群计数。利用所设计的通道剪枝网络,对批归一化（Batch Normalization,BN）层的缩放因子进行学习以裁剪冗余通道,构造出满足实际工程应用精度与速度要求的人群计数模型;（3）在人群计数基准数据集上对所提出方法进行了实验验证。通过实验验证了本文提出硬参数共享多任务方法的有效性,并且验证了各辅助任务对主任务的提升效果。同时采用本文提出的通道剪枝方法对基线模型在相应数据集上进行剪枝,证明了本文提出的基于通道剪枝的快速人群计数方法的有效性。