近年来,随着计算机技术的不断发展,智能视频监控系统己在商场、学校、火车站等公共场所大量应用,以保障社会有序稳定运行。人数统计是智能视频监控领域研究热点,在公安防控、商业信息采集以及配置社会资源和设施上具有重要意义。但是在行人监控视频中,由于行人遮挡、场景光照变化,人群分布不均等因素的影响使得现有算法难以准确统计视频中人数。针对以上问题,本文将场景中分布不均的行人根据密度划分并提出基于卷积神经网络识别和密度特征回归相结合的人数统计算法,以应对不同复杂度的人群场景;为了避免光照变化和雨雾天气对算法造成干扰,本文算法将场景去噪增强处理后,转换到对光照变化不敏感的HSV颜色空间中判断行人位置并提取特征,避免冗余特征输入卷积神经网络;提出了使用栅极损失函数(Grid Loss)分块训练卷积神经网络的算法以实现对遮挡行人局部位置的识别;分析了纹理特征在描述密集人群分布规律的局限性,提出了融合行人密度分布图特征的回归算法以增加统计的精度;提出了通过跟踪和预测行人轨迹的算法来锁定并统计遮挡行人的算法,以增加计数精确度。本算法在UCSD、PETS2009等数据集上进行了测试,实验结果表明本文算法相比同类算法具有更好的统计精度,解决了上述因素对人数统计算法的影响。