深度卷积神经网络(DCNN)的基本运算单元为卷积计算,这种计算具有局部连接与平移不变等特性,可以有效提取图像数据的特征,但是卷积计算不具有尺度不变性,这导致DCNN存在对目标尺度变化不适应的问题,无法同时提取到对多个尺度目标均有效的特征。目前,解决DCNN对目标尺度变化不适应的一种有效方法是多尺度特征融合。本文研究现有的多尺度特征融合方法,在人头检测与计数任务中进行应用与改进,提升卷积神经网络的性能。首先,本文对计算机视觉领域中的多尺度特征融合方法进行研究,将这些特征融合方法,依据被融合的特征是否在DCNN同一层级(layer)分为两类:深度方向特征融合与宽度方向特征融合。前者融合的特征是DCNN不同层级的特征,典型的有应用在目标检测中的特征金字塔(FPN)与语义分割中的编码解码结构等;后者融合的特征是DCNN同一层级下的特征,典型的有Inception模块与应用在人群计数的多列卷积(MCNN)等。其次,本文基于FPN提出上采样尺度融合网络(USFN)进行人头部的检测,实现深度方向特征融合方法的应用,并设计上采样融合模块(USFM)与特征增强模块(FERM),对FPN进行改进。其中,USFM通过深层特征图线性插值与深度可分离卷积结合的方式进行尺度扩增,有效解决了FPN采用反卷积产生的棋盘效应与计算量大的问题;FERM为一个轻量的卷积网络模块,用于弥补特征融合导致的部分抽象信息的缺失。经实验验证,USFN在BRAINWASH数据集上较FPN的平均精度提升4.9%,检测速度提升22.9%,证实本文的USFN方法改进了PFN的检测效果。最后,基于多尺度特征融合的研究与深度方向特征融合的应用,本文基于MCNN与编码解码结构提出通道权重融合网络(CWFN)进行人群计数,实现深度方向特征融合与宽度方向特征融合结合的应用。CWFN在编码阶段采用MCNN多分支结构进行特征提取,不同的是设计了密集感应模块将输入特征转化为权重向量,为多分支结构提取到的特征分配权重,进行宽度方向的特征加权融合。另外在解码过程采用上采样融合模块(USFM),来生成高质量的密度图估计结果,从而提升人群计数统计结果的准确度。经实验验证,CWFN在Shanghai Tech与UCF＿CC＿50数据集较基准算法MCNN的平均绝对误差(MAE)与均方根误差(RMSE)明显降低,并通过消融实验,进一步分析了该方法中,各模块的作用和有效性。通过本文对多尺度特征融合的应用验证,深度方向特征融合能够提升人头检测的检测精度,宽度方向特征融合与深度方向特征融合均能提升人群计数的准确度,并且两种融合方式相结合的方法能够使计数准确度进一步提升。综上所述,通过多尺度特征融合,能够有效解决DCNN对目标尺度变化不适应的问题,并且本文基于FPN与MCNN改进的人头检测方法USFN与人群计数方法CWFN,均相对原有方法有所提升。