随着科学技术的不断更新,现代化智能系统在日常生活得到了越来越广泛的应用,视频监控装置也随处可见。人群计数作为视频监控系统中的一个重要任务,受到了越来越多研究者的关注,准确估计视频图像中的人数对社会公共安全有着重大意义,对复杂密集场景下的人群进行准确的人数统计更是一个极大的挑战。人群计数在实际应用时面临的问题有很多,如目标被遮挡、背景杂乱、光照不均匀、人头尺度差异大等外在因素,对准确估计人群数目造成了困难。除此之外,基于卷积神经网络的人群计数算法,卷积操作只对局部区域进行建模,丢失了全局信息,导致上下文信息提取困难,同样影响了人群计数的准确度。因此,本文分别针对背景杂乱、尺度变化和卷积操作局限性三个方面的挑战,对复杂密集场景的人群计数网络进行研究。针对人群图片尺度变化的问题,本文设计了一种融合空洞卷积的人群计数网络,通过空洞卷积层扩大了感受野范围,提取多尺度人群特征信息,从而提高人群计数网络输出密度图的准确度。针对人群图片中背景杂乱的问题,本文设计了融合注意力机制的人群计数网络,注意力模块的使用按照串联和并联两种方式分别设计了两种网络,通过注意力模块的加入使网络更大程度地聚焦于人群头部位置,滤除背景信息,从而提高人群计数网络的鲁棒性。在此基础上,又将空洞卷积与注意力机制联合使用在同一个计数网络中,设计了一个多分支网络结构。以上四种网络都使用了Shanghai Tech数据集Part＿A部分进行了实验验证,实验结果表明了空洞卷积与注意力机制用于人群计数网络的有效性。针对卷积操作局限性这一问题,本文分别设计了两种不同的人群计数网络结构来弥补全局信息的丢失,促进上下文信息的提取。第一种是基于自注意力知识蒸馏的人群计数网络,通过在网络的不同层使用自注意力蒸馏策略,引导浅层网络特征的细化,进一步促进深层网络对上下文信息的提炼,使网络生成的密度图与真值密度图更相像。第二种是基于全局推理的人群计数网络结构,通过在网络中加入一个全局推理单元来对特征图上远距离区域的关联性进行建模,增加全局特征,提高人群计数网络精度。这两种网络都使用了UCF＿QNRF数据集进行了实验验证,实验结果表明自注意力知识蒸馏和全局推理都减小了计数误差,网络性能大大提高。