近年来,随着公共卫生事件频繁突发,对人群行为进行模拟的人群仿真技术得到了更多关注。当前的人群运动仿真方法虽然可以很好的模拟人群运动过程,但受限于信息提取困难,仍存在一些问题,主要如下:（1）计算机视觉领域中很难同时追踪大量运动人群。（2）缺乏具体描述社会属性是如何从物理特征中提取并应用到人群仿真。针对上述问题,本文提出了基于深度学习的疫情传播人群仿真方法,实现了利用人群视频中行人运动特征及其社会属性对现实人群进行更精确的人群仿真模拟,主要研究工作及贡献有以下几点:（1）针对计算机视觉领域中很难同时追踪大量行人的问题,提出了基于深度学习的人群视频行人轨迹跟踪方法。在图片行人检测上,提出了OPMAH-Cascade R-CNN行人检测模型,利用动态回归量消除Cascade R-CNN中分类与回归的不一致性,增加遮挡感知模块和注意力池化层实现受遮挡行人的检测,相比于原先的Cascade R-CNN模型在City Persons和Crowd Human数据集的Occlusion子集上平均漏检率分别下降了7.7个百分点和11.2个百分点。（2）针对人群视频中多目标行人跟踪困难的问题,首先,提出了加入CSP-Ghost模块的YOLOv5行人检测模型,以减少参数和浮点数的方式实现更高检测帧率,相比于原先的YOLOv5行人检测模型在参数和浮点数上分别减少了4.4×10~6和5.2×10~9。然后采用改进的YOLOv5行人检测算法结合Deepsort跟踪算法实现对人群视频中运动行人的轨迹跟踪。实验结果表明,本文方法在多目标行人轨迹跟踪取得了较好的效果。（3）针对部分人群仿真方法没有具体描述社会属性量化的问题,提出了基于社会属性的人群运动分析建模方法。通过相似性原理对人群运动特征进行内聚性量化,改进k均值算法对运动行人进行小组划分,并在人群分组的基础上,改进基于拓扑结构图的集群性特征算法用于集群性量化,获得基于社会属性的人群运动轨迹,再提出融合社会属性的SP-Res Net运动模型,实现具有社会属性的人群运动仿真。为真实再现人群运动中的疫情传播过程,采用SIR模型和人群运动仿真融合的方式集成到Anylogic仿真平台中进行可视化研究。在道路场景进行仿真实例分析,实验表明本文提出的方法可以真实模拟现实环境中的人群运动过程,仿真结果与真实情况比较一致。