城市化进程的加快使得城市人口不断增长,而大规模的人群聚集易导致踩踏事件的发生,造成人员伤亡和财产损失。若能准确地进行人群计数,并采取相应的预警及安保措施,则可以有效减少或避免此类事件的发生。因此人群计数研究具有极其重要的现实意义,已引起国内外学者的广泛关注。但由于不同场景中人群分布的多样性、光照不均、相互遮挡以及尺度变化等问题,使得人群计数任务仍具有挑战性。本文从提升人群计数精度需求出发,基于深度卷积神经网络,对不同密度场景下的人群计数算法进行研究。本文的主要工作如下:1、分析当前目标检测算法的检测精度,将当今主流的Yolo V3的网络架构应用于人群计数任务,采用K-means聚类算法,对不同人员特征进行分类,通过仿真验证该网络架构对低密度人群检测有较高的准确性以及鲁棒性。2、针对中高密度人群检测,设计了VGG19与空洞卷积融合的网络架构(DCNN),前端选用VGG19的前12层卷积层,后端基于空洞率对感受野的影响分析,采用6层锯齿状空洞率的空洞卷积。在不同数据集上验证,DCNN模型在中高密度人群检测取得了较好的实验结果。3、针对高密度人群检测,提出了基于深度残差网络与空洞卷积融合的人群计数模型(Res DC),连续堆叠15个残差单元作为前端,将3层空洞卷积作为后端,并改进为“短路连接”方式。经不同密度等级的数据集验证,Res DC模型对高密度人群检测有较高的准确率以及鲁棒性。