随着城市生活水平的提高,公民对公共安全的关注度越来越高。但是,近些年因为大规模人群聚集活动导致的安全事故时有发生。因此,利用智能监控系统对人群密集场景下的人群数量、密集程度以及潜在的安全事故风险进行预测,为人工管理提供参考信息是很有意义的。近年来,基于人群密度估计的人数统计领域不断发展,现有的人数统计方法已经达到了较高的准确率,但是这些算法需要具有强大计算资源的硬件设备进行支持,且算法的推理时间长,存在无法满足实时人数统计需求的问题。本论文围绕人群密集场景下的人数统计任务,基于云端结合的思想,设计了两种人数统计方法。同时,基于本论文所设计的两种人数统计方法开发了基于云端结合的智能人数统计系统,为人群密集场景下的人群监控管理提供实时的人数统计服务。本文主要工作内容如下:（1）针对人群密集场景因人头尺度变化大而导致基于人群密度估计的人数统计方法准确率低的问题,提出了人数统计方法MSANet。该方法针对高人群密度、人头尺寸变化大、遮挡严重场景下的人数统计任务的特点,提出了用于人群密度估计任务的人群扩张卷积池化金字塔模块,并精心设计了模块中扩张卷积操作使用的扩张率,来提取人群特征图中多尺度语义信息,以提高对人头尺度变化的处理能力。引入了注意力机制,使用注意力掩膜对模型“中间”特征图的背景部分进行优化。实验结果表明,基于人群密度估计的人数统计方法MSANet,能较好的处理人头尺度变化,提升人数统计算法的准确率。（2）针对现有人数统计方法计算资源要求高、计算耗时长、无法满足实时人数统计需求的问题。本论文提出了基于人群密度估计的轻量级人数统计方法DDSNet,该方法使用本论文中提出的扩张深度可分离卷积模块构建模型的编码器,扩张深度可分离卷积模块相比于标准卷积计算大大降低了参数量和计算复杂度。实验结果表明,DDSNet对比现有的人数统计方法,能以更少的参数量、更低的计算复杂度、更快的速度获得良好的检测精度。（3）以本论文提出的MSANet方法和DDSNet方法作为人数统计核心算法,基于云端协同处理的模式,设计并开发了基于云端结合的人数统计系统,为高密集场景下的人群监管提供了重要的参考信息。