随着城市化进程的稳步推进与人口规模的日益扩大,人群聚集的情况越来越普遍,大量密集场景存在着诸多安全隐患。为了预防突发事件,保障人民安全,智能监控系统引起了社会的重点关注。人群计数作为该系统的重要组成部分,旨在准确估计图像中的行人数目与密度分布,在城市规划、交通管控等领域有着广泛的应用。特别是最近两年,新冠肺炎席卷全球,监测和分析高密度人群可以提供有效的疏散计划,是控制疫情大面积蔓延的必要手段。随着深度学习技术在计算机视觉领域逐渐成熟,基于卷积神经网络的人群密度图估计算法凭借着优秀的计数性能与泛化能力,逐步得到了研究学者的认可。然而,在实际应用场景中,现有的计数模型仍然面临着诸多严峻挑战,比如行人尺度变化,特征信息空间偏移和语义失衡,模型参数冗余和结构臃肿。针对上述问题,本文展开深入研究并提出解决方案,进一步提升计数模型的性能与鲁棒性。本文的主要研究工作和创新点归纳如下:1.针对复杂场景中人群尺度剧烈变化问题,提出了一种基于联合注意力机制的多尺度人群计数算法。首先,构建了多阶尺度注意力模块以获取高阶统计信息,辅助骨干网络捕获对尺度变换敏感的判别性特征;其次,为了研究人群全局分布情况,设计了多重池化关系注意力模块,紧凑表征全局结构关系并学习任意通道节点之间的相互依赖性;然后,采用分布式组合损失函数来实现对网络中间层的分布式监控,逐层增强信息反向传播能力,避免梯度消失问题。最后,在ShanghaiTech、UCF-QNRF、JHU-CROWD++、NWPU-Crowd 数据集上进行多轮实验,以验证算法的有效性。2.针对多路径融合架构引发的特征图空间错位和语义失衡问题,提出了一种基于多元优化融合的人群计数算法。该算法由跨维优化模块、混合语义优化模块以及一个强大的基线网络构成。其中跨维优化模块利用三重注意力机制学习跨维度依存关系,并结合上采样特征与相邻特征之间的像素变换偏移,共同修复特征空间错位;混合语义优化模块负责捕获不同层次特征之间的语义依赖关系,以缓解粗糙的特征融合操作引起的语义失衡问题并且增强语义表征能力。随后,将上述两个模块集成到基于自顶向下金字塔架构的基线网络中。多个数据集上的实验结果表明该算法可以显著改善多路径特征融合的有效性,并且能够提升计数网络的泛化能力。3.针对计数模型参数冗余和结构臃肿与实际部署的矛盾,分别从轻量级网络结构设计和大规模网络剪枝两个角度来提出解决方案。（1）提出了一种基于幻影注意力的轻量人群计数算法。首先,设计了幻影编码器网络作为精简骨干网络来提取基础特征信息,以较小的性能下降为代价大幅降低浮点运算量。其次,提出了参数共享的跨阶幻影注意力模块来捕获判别性语义信息,并保证运算高效性。然后,利用基于权重共享机制的掩码密度生成模块来生成多尺度密度图和前景背景掩码,以消除复杂的背景干扰。（2）针对本文提出的两个大规模人群计数网络,同时引入了一种通道级剪枝算法进行网络瘦身,并结合稀疏化训练方式来获得紧凑的计数模型并加快推理速度。（3）在多个数据集上进行大量实验,分别验证了两种方法的有效性。同时从多个角度对比两种方法,详细阐述各自的优缺点与应用场景。