行人流量统计涵盖了行人检测、行人跟踪等多种计算机视觉技术,是人工智能中备受关注的研究领域。该技术不仅能获得视频区域内基本的行人数量信息,还可以获得多项行人状态信息,为公共安全和商业管理提供了有力的保障。由于目前的行人流量统计算法精度低、实时性差,导致行人流量统计结果差强人意。因此,本文通过深度学习技术优化行人检测过程,提升行人流量统计算法的性能。本文基于“检测-跟踪-关联”框架,设计了一种基于深度学习的行人流量统计算法。该算法利用YOLO v3卷积神经网络和MOSSE跟踪算法,实现准确、快速的行人流量统计。本文主要的研究工作如下:行人检测部分,首先介绍了常用的三种目标检测算法,最终选择YOLO v3卷积神经网络完成行人检测。针对YOLO v3卷积神经网络的重叠框问题,本文利用Soft-NMS算法优化网络的输出结果,提升行人检测的准确率。实验结果表明:改进后的YOLO v3卷积神经网络的m AP（mean Average Precision）和检测时间,分别达到91.4%和19ms;其总体性能优于其他检测算法,更有利于提升行人流量统计算法的精度和速度。行人跟踪部分,介绍了行人流量统计中比较常用的三种行人跟踪算法。为了提升行人流量统计算法的速度,本文选择跟踪速度较快的MOSSE算法完成行人跟踪。最后,利用行人检测部分提供的行人位置信息初始化Open CV库中的MOSSE跟踪器,实现行人跟踪。行人流量统计部分,通过建立行人检测和行人跟踪间的数据关联,避免重复和遗漏统计现象的发生。并在不同的场景中测试本文设计的行人流量统计算法的性能。实验结果表明:基于深度学习的行人流量统计算法的平均精度和平均帧率,分别是96.20%和27.6fps;该算法可以很好地克服目前行人流量统计算法中精度低、实时性差等问题。