近年来,随着生活水平的提高和交通的快速发展,世界人口的指数增长和随之而来的城市化导致人群聚集得更加频繁。在这种情况下,人群密度分析的问题对于在人群监视和场景理解等拥挤场景中建立更高水平的认知能力至关重要,在公共安全领域意义重大。人群密度分析旨在对拥挤场景中的人数进行分析,计算总人数和密度估计,其中密度估计旨在将输入的人群图像映射到其对应的人群密度图。但像其他任何计算机视觉问题一样,人群密度分析也面临许多挑战,例如遮挡,背景干扰,透视扭曲,尺度变化,高度混乱,人员分布不均匀,照明不均匀,场景内和场景间变化等。本文的主要工作包括三个方面:首先提出了一种面向高密度多样化场景的人群密度分析的网络模型FDCNet。网络融合了主网络低层和高层的特征图,适应由于透视效应引起的尺度变化,共享更多特征,同时可以排除背景干扰;引入了SE模块作为通道注意力模块,考虑通道的权重,对融合的不同尺度大小的人头区域的特征进行有选择性的加强;利用了一组扩张卷积作为网络的末端,在增大了感受野的同时保证较少的参数量,包含了更详细的空间信息和全局信息,可以生成高质量的人群密度图。其次,针对FDCNet忽略图像比例变化的连续性,提出了改进的网络结构SWSNet。提出了尺度加权特征提取器,学习如何为每个单个像素加权从而对多比例特征图进行融合,使图像中的每个位置都利用正确的上下文信息;增加了人群头部前景分割的子网络,学习更多大规模的显著特征,减少对稀疏人群区域结构形状特征的忽视,消除背景干扰。最后,在四个公共数据集上进行了实验测试,充分地验证了提出的网络结构的准确性和鲁棒性以及改进后的结构的有效性。此外,基于网络预测生成的人群密度图和总人数,进行了初步实际应用的实验,包括分区域人数估计,密度分级显示,人群变化趋势分析和高密度人群检测。这些分析可应用于公共场所中的人群密集场景高密度检测及预警,有效预防群体混乱甚至踩踏等安全事故的发生,有较高的实际应用价值和前景。