近年来,随着各种人群聚集引起事故的发生次数的增多,人群密度估计研究已成为视频监控的一个研究热点。与此同时,计算机视觉技术已广泛应用到生活中的方方面面,如车牌识别、人脸检测、指纹识别等。随着深度学习不断取得成绩,这种多层次的结构模型越来越受到重视。其中,最具有代表性的深度学习模型方法之一是深度卷积神经网络。本文通过对人群密度估计的不同方法和卷积神经网络的结构及其应用进行研究,将卷积神经网络进行改进并引入人群密度估计中,实现对人群密度快速和准确的分类。1)提出了一种静态特征和动态特征相结合的人群密度估计方法。本文通过将像素统计和纹理特征结合,提出新的动态特征——扩散速率,并将静态特征及动态特征相结合以高效准确地进行人群密度估计。首先对视频图像进行特征提取,其中静态特征为灰度共生矩阵、Gabor滤波器组特征等,动态特征为扩散速率,采用改进的顺序前进法进行特征选择,以确保所选的特征组合尽可能达到最优,然后用基于支持向量机的模糊小波神经网络对人群密度进行估计。实验结果表明该方法比单静态特征视频图像人群密度估计方法具有更高的识别率。2)提出了一种改进的卷积神经网络的人群密度估计算法。卷积神经网络在特征提取时能够高效自适应学习深层次的特征,体现了其在深度学习领域的优越性,但在预处理时会出现振荡现象,且卷积层与子采样层间特征图的大小匹配会影响计算速度和时间。本文提出离散小波变换替换卷积神经网络中的子采样层,并对网络中的权重矩阵重新计算,通过权重自适应改善预处理时的振荡现象,提高卷积网络中特征图大小的匹配度,并将之应用到人群密度估计,有效地提高数据间的相关性,增强网络的学习能力,提高人群密度等级分类的准确率。3)构建了一种并行卷积神经网络,并将之应用于人群密度估计。本文通过对视频帧进行分块,对于不同区域采用不同的卷积核提取特征,深入挖掘不同密度条件下较好的特征,降低背景环境复杂度的影响,然后将不同区域的特征进行融合并进行降维,从而对人群密度等级进行更为准确的估计。实验表明,该网络具有较好的学习及分类效果和较高的运算速度,对人群密度能够进行较为准确和快速的估计。