人工智能已经在大数据分析、计算机视觉、语义分析等各个领域做出了重大突破,卷积神经网络（Convolutional Neural Network,CNN）是它的一种研究方法,在计算机视觉领域充当着重要角色。在近些年,卷积神经网络在人群密度估计研究上做出了一次又一次创新突破。受空间透视,遮挡严重,光线变化等问题的影响,人群密度估计在研究上仍然面临一系列挑战。在目前的卷积神经网络研究领域,多特征融和概念以不同的形式存在着,涉及领域内的方方面面。1.提出了多尺度多通道融合人群密度估计网络。网络框架分为三个部分:特征提取、特征融合、特征回归。为了更加快捷有效的提取特征信息,选用VGG16作为骨干网络;为了获得信息更加丰富的特征图,将骨干网络中相邻两个不同尺寸的特征层进行融合;为了检测出不同大小的目标,在这里使用多通道空洞卷积,获取不同的感受野。通过多层级多通道的信息融合,网络框架接受信息的能力得到增强,同时在多个数据集中的实验,验证了此网络的有效性,缓解了检测中大小目标难以同时检测的问题。2.提出了基于注意力机制的人群密度估计网络。网络框架分为两个部分,第一部分选用CSRNet的编码译码结构以获取特征信息并进行密度图回归,第二部分使用注意力特征融合模块获得密度等级图以减少背景对预测结果的干扰,注意力模块以编码部分不同层次的特征图作为输入,进行局部注意力与全局注意力的高聚合注意力感知。为了缓解背景区域对最终预测结果造成干扰的问题,引入了可以将跨层次特征图进行注意力特征融合的模块,在不同层次的特征图上进行融合然后分割前景背景区域,获得感知能力更强的注意力聚合机制。通过在多个数据集中的实验,证明,此网络框架对背景的抗性,同时提高了预测的准确率。3.总结前两种方法的特点,将两种方法结合起来,提出了基于多级融合下注意力机制的人群密度估计方法。为了能够将之前提到的问题同时克服,将之前使用的基于多尺度多通道融合的人群密度估计方法和基于注意力机制的人群密度估计方法相结合,将注意力特征融合模块输出的密度等级图与多通道模块输出的密度图相乘,获取更多信息的同时减弱背景干扰,获得更加精准的密度图。为了验证模型的性能,本文末尾提供了Shanghai Tech数据集、UCF＿CC＿50数据集的测试结果。研究结果表明,本文的网络框架回归的密度图精准度更高,得到的人群密度估计结果更加准确,具有更加优越的鲁棒性。