高密度情况下的人数统计有其重要的社会意义和市场价值。利用ROI (Region of Interest)区域内的人数统计信息：管理人员可以合理调度人力和物力,优化资源的配置；对于一些广场、通道等公共场合,人数统计的结果对一系列社会治安问题能起到很好的预警作用。因此,该课题成为国内外很多视频分析和智能视频监控领域的工作重点。传统的人群计数方法通过精确定位、跟踪每个行人后实现计数的目的,适用于视频清晰度高以及人流量不大的情况,但对人群密度较高及视场开阔的环境并不适用。本文主要针对高密度及视场开阔情况下的人群计数问题进行研究,通过对该问题的国内外研究趋势及相关方法的比较分析,提出一种基于SURF特征的高密度人群计数方法,并以该方法为基础设计实现了高密度人群计数的原型系统。其创新点主要体现在：(1)通过块匹配技术,实现运动人群特征点的快速提取。在此基础上,提出一种新的MST-DBSCAN聚类算法：通过引入最小生成树的概念以改进传统的基于密度的DBSCAN聚类算法,使其最小搜索域自适应聚类数据的分布,实现运动人群特征点在空间上的合理聚类。(2)在人群特征向量的构建过程中,将特征点的数量作为运动人群的主要表征的同时,考虑透视现象,将人群与摄像机之间的距离对其特征点数的影响加入考虑,以适应视场开阔情况下的高密度人群计数问题。(3)利用支持向量回归机,对运动人群的特征向量进行训练、学习,得到人数统计模型,并利用该模型最终实现场景内的运动人群计数目的。实验结果表明,本文方法对高密度人群的计数有较高的准确率和鲁棒性。