目标数量估计是实际生产生活中的重要任务之一,在城市安防、智慧交通、农业信息管理等方面有着广泛的应用需求,其目的是统计特定目标的数目。在众多计数解决方案之中,基于计算机视觉的方法因其高速、准确的特点,是当前学术界的研究热点之一。它起源于检测、分割方案,后逐渐被全局或像素级的回归方法所取代,但仍然受到数据分布以及真值噪声等问题的影响。为了解决这些问题,基于局部预测的计数被提出。这一方法因其区域计数的特性对于真值噪声具有鲁棒性,逐步成为视觉计数的主要解决方案之一。尽管局部计数方法展示了其作为计数方案的潜力,但其中仍然存在着样本不均衡、尺度多样性以及实例可区分性较差等问题,制约了其进一步发展。本文为了解决上述存在的问题,基于局部计数框架开展了深入研究,作出了如下的贡献:首先,针对目标计数中存在的真值噪声问题以及样本不均衡的现象,本文提出基于稠密等级分类的计数策略,构建局部稠密等级分类网络,同时利用信息熵权重在训练过程中进一步平衡不同稠密类别的损失。另外,针对局部计数的网格效应,本文采用冗余预测的方法提升分辨率。在实验中可以验证,该提出方法相比较于局部计数回归的基准方法,显著地提升了计数性能。其次,本文在实验中发现,目标的尺寸和预测数值的尺度之间有较强的关联性,两者不匹配时性能会显著下降。基于该实验发现,本文提出一种尺度失配抑制算法,并基于此构建了尺度失配感知局部计数网络,旨在筛除多尺度预测中尺度关系不匹配的预测结果,仅对于无明显错误的预测进行融合。实验结果表明,本文提出方法能有效提升局部计数网络的尺度适应性。再次,本文提出了计数问题建模的新思路。受到人逐步计数目标的行为以及天平工作机制的启发,本文提出计数天平模型将目标计数构建成为时序决策任务,用虚拟计数砝码“称”出图像中的目标数目,并且基于不同天平形式以及时序决策解决方案构建了天平系列网络。实验中,本文对于不同形式的天平网络进行了分析,展示了各种实现的特点与优劣。在多个数据集上的实验结果表明,计数天平的性能优于或至少与密度图等主流计数方法相近。在对通用目标计数问题的研究基础上,本文进一步将局部计数推广至实际应用。实例可区分是农业目标计数应用对算法输出结果的实际需求,因此本文的最后一项工作研究如何提升局部计数方法的实例可区分性。分析可知,一般局部计数实例可区分性不足的问题来源于低分辨率的输出以及背景误响应。针对这两个问题,本文提出引导上采样以及融合分割先验预测的计数,并以此为基准构建了基于局部计数的实例可区分农作物计数方法。在多个农业数据集上获得的实验结果显示,本文提出方法的输出结果更易于区分不同实例,并且可以显著提升计数精度,说明该方法是一种实例可区分性与计数精度兼具的农作物计数解决方案。