人群计数是公共安全研究领域的关键和基础问题。随着图像数据的爆炸式增长和深度学习技术在计算机视觉领域的飞速发展,基于深度学习技术的人群计数或人群密度估计是一个关键的研究领域,并且具有很高的实际应用价值。本文主要利用最新的深度学习理论和技术对人群计数进行了研究,完成了一些在理论和应用上都具有非常重要意义的工作,主要工作如下:首先,主要对传统的人群计数方法和基于深度学习的人群计数方法进行研究,总结和对比了传统方法和部分基于深度学习的人群计数方法的优缺点,并提出了两种自适应的高斯核密度估计方法。其次,针对部分基于深度学习的人群计数方法需要复杂的数据预处理和后处理的不足,并结合各个方法的优点,创新性地提出了多列多任务的卷积神经网络(MMCNN)。该网络模型是一个“图到图”的“端到端”系统,输入数据可以是任意分辨率图片,网络的预测结果也为对应大小的图片。在数据集上的测试表明,MMCNN模型的性能优于其他基于深度学习的方法。然后,针对MMCNN训练步骤复杂的缺点,并结合最新的深度学习理论和技巧,创新性地提出了改进的多列卷积神经网络(IMCNN)模型。该模型在继承了MMCNN优点的基础上不仅克服了训练难的问题,还有效提高了网络的拟合能力。在数据集上的测试表明,IMCNN模型是非常有效和高效的,并且具有广泛的实际应用前景。最后,本文提出了关于网络预测结果的实际应用方法,主要包括:将密度图视为深度视觉特征、分区域人数估计、人群密度分级显示、人数变化趋势分析和高人群密度检测。并通过实验表明本文提出基于深度学习的人群计数方法具有很好的实际应用前景。