近年来,城市轨道交通作为公共交通系统的重要组成部分呈现蓬勃发展的态势,乘客数量的持续增长对城市轨道交通行车组织和客运组织提出了新的要求。轨道交通车站及列车车厢极易成为客流高密度聚集地,容易引发大规模的群体性突发安全事件,造成不良社会影响。因此需要一种便捷、高效的方法实时获取乘客拥挤度状态,为客运组织提供强有力的技术支持。目前的拥挤度检测技术主要借助人群计数算法,结合一定的拥挤度分类规则来判定乘客的拥挤度。本文综合考虑现有人群计数算法的不足和视频检测方法的实际需求,提出了三个关键问题:客流分析领域缺少针对车厢内乘客计数的数据集;乘客特征尺度变化问题;乘客分布密度图的质量问题。在此基础上,本文从人群计数数据集的创建;卷积神经网络的结构设计;特征图恢复过程;算法应用四个方面展开研究。本文的主要研究内容如下:（1）数据集对卷积神经网络的训练来说具有不可替代的作用,现有的人群计数数据集不能满足城市轨道列车车厢内乘客拥挤度检测。因此,本文收集了郑州地铁二号线的车载监控视频,并采用手动标记的方法,制作了包含大量样本的数据集,将其命名为Zhengzhou＿MT。（2）针对乘客拥挤度检测领域中多尺度特征提取的难点,本文结合多列神经网络和空洞卷积的特性,提出了一种用于人群计数的多列空洞卷积神经网络（Multi-Column Atrous Convolutional Neural Network,MPCNet）。通过在深度网络的后端运用多列空洞卷积来提取人群不同尺度的特征,以此来减小尺度变化对网络计数性能方面的影响,实现更好的计数效果。最后通过定性和定量的实验证明了本文所提算法面对多尺度特征时的鲁棒性。（3）为了解决现有模型生成的人群分布密度图质量不高这一问题,本文提出了基于空洞-转置全卷积神经网络（Dilated-Transposed Fully Convolutional Neural Network,DT-CNN）的计数模型。通过使用特征学习过程将原图像中的潜在信息引入特征图,增强模型的特征表达能力,从而建立清晰的特征映射。与多个优秀的人群计数算法在公开的数据集上进行了对比,结果表明本文所提方法可以生成更加清晰的密度图。（4）为了测试所提出算法在实际检测过程中的实时性和有效性,本工作搭建了一套功能完善的拥挤度自动检测系统。该系统采用PyQt5进行可视化操作界面开发,将检测结果的各项指标进行可视化展示,同时可实现批量计算,以折线图的形式获取历史数据。通过在离线车载监控视频上进行测试,证明了本文所提出算法的有效性、实时性和所设计系统的实用性。