伴随城市化进程的加速发展和人口数量的极速上升,视频图像的人数统计问题在实现准确计数的基础上对技术的要求越来越高。传统的人数统计方法提取的特征区域信息量较大、耗费人力且检测时间长,通常在人群场景较复杂时难以达到理想的计数效果。深度学习的快速发展使人数统计的检测速度和质量都有很大的提高,不仅避免人工设计特征问题,让网络在不断的训练中自动分辨出需要提取的特征,而且能实现对行人目标的精准检测计数。本文提出在不同场景下的基于视频图像的人数统计模型,最后证明在检测速度和检测精度上都能达到较高水平。针对较稀疏的场景,使用目前比较成熟的YOLOv3目标检测算法,并对其进行改进。（1）现有目标检测算法处理多类物体,本文研究的人数统计目标单一,原有模型存在冗余网络结构需要进行通道缩减。改进的方法将L1正则化应用于批处理归一化层中的缩放因子,使网络能够识别不重要的通道,根据缩放因子对网络进行通道剪枝,方法易于实现且无需对现有的卷积网络架构进行更改;（2）使用k-means++对聚类算法改进。YOLOv3算法存在聚类精度较低的问题,初始值选择对算法结果影响较大且会增大算法的时间开销。而k-means++聚类是一种自适应地将数据集划分成组的方法,能通过对初始质心进行选择,加速迭代过程收敛;（3）损失函数的简化。YOLOv3目标检测是对多目标的检测,损失函数包含各类目标的损失值,而本文研究的行人目标属单类目标,即在损失函数的计算中不需要预测类别概率,该改进不仅简化了损失函数的计算还减少运行时间,最后实验在公开Mall数据集上完成。针对较密集的场景,本文采用改进的神经网络生成密度图的方式完成视频图像的人数统计,整个网络模型分成两个主要模块实现。（1）模型前端是密度生成模块,主要由单列深度全卷积网络来完成。多列网络因其不同分支、相似的结构会产生大量冗余信息,使网络计算耗时长,无法提升最终生成密度图的质量。针对此问题,本文提出使用单列全卷积网络,并加入空洞卷积和跳跃连接来提高网络提取特征的能力,最后生成高质量的密度图;（2）模型后端是时空变换计数模块。为处理视频序列图像中的人数统计问题,在前端输出密度图的基础上,通过在长短期记忆神经网络中加入空间变换模块,解决摄像头视角畸变问题。该方法能够更好地提取密度图中的信息并实现图像时序关联计数,提高最终的计数精度,实验最终在两个公开数据集上进行验证。本文通过对基于视频图像的人数统计问题的研究,最终改进的两类模型相比其他模型方法,改进的方法具有更好的检测精度和更快的检测速度。