近年来,随着轨道交通规模的逐渐扩大,客流量迅速攀升,轨道交通站内出现乘客拥堵现象,严重影响了人们的生活质量,由此通过智能化手段提高其服务质量和管理效率势在必行。当前快速发展的客流检测和客流引导等技术为实现以上目标提供了有力的支撑。目前的客流检测算法大多部署在云平台,易产生网络带宽压力过大、计算资源浪费严重和传输延迟过高等问题。如何在较小成本下实时地对客流进行高精度的检测,得到客流数据后又该如何进行有效的分析进而实现站内客流的动态引导。针对以上挑战,基于现有的课题研究成果,本文面向轨道交通站内的实时客流检测和引导问题展开探索和研究,本文的主要工作和创新点如下:一、针对轨道交通站内难以高效灵活地进行客流检测问题,设计实现可以在边缘设备中运行的实时可靠的客流检测算法。通过对现有的目标检测算法进行测试分析,发现Faster R-CNN算法具有较优的检测效果。首先,针对Faster R-CNN算法在轨道交通站内检测准确率较低的问题,提出了基于K-means的锚框选择算法进行最优尺度锚框的选择。实验结果表明,优化后的算法m AP值最高可达到94.85%,比原算法提高了13.29%。进而考虑到Faster R-CNN算法运行需要巨大的内存存储和计算开销,无法直接部署在边缘设备中,针对这一问题,提出了基于剪枝算法的客流检测模型压缩算法。实验结果表明,压缩后的VGG16作为基础网络的客流检测模型的检测速度超过了原使用Mobile Net作为基础网络的客流检测模型,在m AP值不低于Mobile Net的情况下,检测速度最高可以比原来的提高51.91%。二、在我们获取到客流检测数据后,需要通过历史客流数据进行客流预测,然后基于预测结果对站内客流进行引导。首先,基于客流检测数据和天气数据进行客流预测,引入BP神经网络,设计实现了一个客流预测模型,可以得到未来某一时刻轨道交通站内客流拥挤度。其次,提出了一个基于动态信息的D*Lite-F算法,对轨道交通站内客流进行引导,使行人可以快速地在轨道交通站内通行,实现站内引流的目的。实验结果表明,相比于D*Lite算法,D*Lite-F算法可使乘客的路径花费平均减少为原来的33.35%,其中最高可减少为原来的46.92%,明显降低了乘客的路径花费,提高了客流引导的效率。