在计算机视觉领域中,密集计数是十分重要的子领域,其目的是通过对输入神经网络的图像进行深度学习,提取深层特征,从而得到图像中计数目标的数量。根据实际研究与应用中所要计数的目标的不同,密集计数又可划分为人群计数,车辆计数等。高速公路拥堵场景下的车辆计数是一大难题,其有着道路情况复杂多变,车辆形态不一,车辆遮挡严重,车辆尺度变化较大等特点。因此,目前通用的密集计数算法并不能取得一个令人满意的结果。本文的主要工作、相关的贡献,总结如下:（1）本文基于多路段高速公路监控视频图像构建了一个高速公路车辆计数数据集（Highway Vehicle Counting Dataset,High VC）,其中绝大部分为拥堵场景图像。（2）本文针对高速公路拥堵场景下车辆的区域分布特点和尺度变化问题,一方面从注意力机制出发,利用不同层次特征图的特点,提出分层次且有针对性的混合注意力模块（Mixed Attention Module,MAM）。另一方面对空洞空间金字塔池化模块（ASPP）进行优化,以捕捉不同尺度下的图像特征。本文结合上述两方面,基于多级编码器-解码器结构,设计了一种有效的车辆计数网络,称之为MMVCNet（Multi-level Mixed-attention Vehicle Counting Network）。在MMVCNet上进行了多组对比实验,验证其结构的有效性。（3）本文针对车辆类型多样,尺寸不一,而通过点注释应用预设的高斯核获得的目标密度图很难正确地描述车辆形状大小的问题,提出根据形状先验信息构建每个车辆的密度贡献概率模型。然后,通过将贡献概率与每个像素处的估计密度的乘积相加来计算每个车辆的计数期望。最后,可以将该期望与真实计数的差值作为每个车辆的计数损失,称之为基于形状先验的计数期望损失函数（Counting Expectation Loss）。与基于点注释生成学习目标的方法比较,该方法取得了更加准确的计数结果。（4）本文通过将提出的高速公路拥堵场景下的车辆计数算法应用在工程上,设计了一个基于B/S架构的高速公路拥堵分析系统。其中车辆计数模块,事件分析模块,记录存储模块,以及数据库和数据库服务模块等关键模块由作者设计并实现。该系统能够实时地显示监控画面中的车辆数目,及时发现拥堵现象,并记录历史车辆数进行展示。