摘要：为了避免景深和遮挡的干扰,提高人群计数的准确性,采用了LeNet-5,AlexNet和VGG-163种模型,提取图像中不同景深目标的特性,调整上述模型的卷积核尺寸和网络结构,并进行了模型融合.构造出一种基于多模型融合的深度卷积神经网络结构,网络最后两层采用卷积核大小为1×1的卷积层取代传统的全连接层,对提取的特征图进行信息整合并输出密度图,极大地降低了网络参量且取得了一定提升的数据,兼顾了算法效率和精度,进行了理论分析和实验验证.结果表明,在公开人群计数数据集shanghaitech两个子集和UCF_CC_50子集上,本文中计数方法的平均绝对误差和均方误差分别是97.99和158.02,23.36和41.86,354.27和491.68,取得比现有传统人群计数方法更好的性能;通过迁移实验证明所提出的人群计数模型具有良好的泛化能力.该研究对人群计数精度的提高是有帮助的.