摘要：為了避免景深和遮擋的干擾,提高人群計數的準確性,采用了LeNet-5,AlexNet和VGG-163種模型,提取圖像中不同景深目標的特性,調整上述模型的卷積核尺寸和網絡結構,并進行了模型融合.構造出一種基于多模型融合的深度卷積神經網絡結構,網絡最后兩層采用卷積核大小為1×1的卷積層取代傳統的全連接層,對提取的特征圖進行信息整合并輸出密度圖,極大地降低了網絡參量且取得了一定提升的數據,兼顧了算法效率和精度,進行了理論分析和實驗驗證.結果表明,在公開人群計數數據集shanghaitech兩個子集和UCF_CC_50子集上,本文中計數方法的平均絕對誤差和均方誤差分別是97.99和158.02,23.36和41.86,354.27和491.68,取得比現有傳統人群計數方法更好的性能;通過遷移實驗證明所提出的人群計數模型具有良好的泛化能力.該研究對人群計數精度的提高是有幫助的.