计算机视觉和人工智能领域的迅猛发展，为人们从视频角度进行智能分析和监控奠定了基础，进而为公共安防预警和聚集人群疏导提供了技术支持。人群密度估计正是这些应用的关键所在。本文对人群密度估计算法做了全面系统的阐述，在特征预处理、特征选取、算法流程改进、样本库丰富及其实验比较各个环节都开展了研究并得到了相应的结果。特征预处理环节，对基于色彩特征不变量的阴影抑制算法进行了改进，提高了算法阴影抑制的效果。特征选取环节，阅读大量文献对当前主流的人群密度估计算法进行研究和总结，并对基于像素统计、纹理分析和目标监测三类密度估计算法的优缺点和适用范围进行了系统的比较分析。提出了将像素统计特征与纹理分析特征相结合的分析算法。利用前景面积特征对图像分类较为粗犷，而分形维数较为细致的特点，在前景上提取图像的分形维数、前景面积和边缘像素作为特征向量。该算法克服了基于纹理整体分析算法对场景依赖度高的缺点，增强了推广性能。由于分形具有多尺度分析特点，所以不用对图像进行透视效应的矫正，降低了算法使用过程中的复杂性。实验结果发现分形维数与前景面积结合能起到很好的互补作用，该特征维数简单且易于分析。在实际应用中能直观、实时的反映在景人的数量和密度。本文利用视频在时间序列上的相关性，在传统的人群密度估计算法流程上增加了时间序列修正的环节，有效地降低了漏报率和误报率。并能对异常状况进行分析，在人群密度估计和预警警报系统中具有重要的应用价值。本文不仅使用PETS2010和UCSD两个公开人群库，而且利用校园监控数据构建了丰富多样的样本图片库和视频库，其中针对校园活动中心云台监控点截取了雨天、雪天和晴天三种不同气候状态下的视频。旨在不同场景或同一场景不同气候状态下对特征的共性和区别进行透视效应矫正、分类能力和推广性能的全面实验，切实保证实验结果的真实可靠性。为了验证本文算法的有效性，本文与目前具有代表性的算法如像素特征、Gabor纹理、小波包、Minkowski维数、灰度共生矩阵等做了充分的实验比较。