提高公交出行舒适度是公交车调度的重要任务之一,如何利用深度学习技术实现公交车的智能调度是该领域的研究热点。本文以卷积神经网络为基础,围绕公交车厢内乘客拥挤度检测和站台候车人数统计等问题展开研究。本文的研究工作和成果如下:（1）基于公交车车载视频监控系统分别构建了一个公交车厢内拥挤度分类数据集和一个公交站台候车乘客人头标注数据集。（2）针对公交车厢内拥挤度检测,提出了一种基于自适应感受野的空间注意力模块的车厢内拥挤度检测算法。通过对主流分类网络Res Net、Google Net、Dense Net网络展开实验,发现Res Net网络表现最佳。根据检测结果中存在的相邻类别分类错误和跨类别分类错误的问题,本文结合车厢内拥挤度与乘客分布的特点,提出通过空间注意力模块,使网络能够加强过道两边以及过道上的乘客分布特征,同时抑制与拥挤度无关的特征。另外,还构建了自适应感受野的注意力模块,使网络能够调整感受野大小,以获取更多的上下文信息,减少局部特征对车厢内拥挤度判别的干扰。最后将两个模块组合后嵌入Rse Net网络中。实验结果表明,所提出的算法在车厢内拥挤度的检测性能上有明显提升。（3）针对公交站台候车人数统计,提出了一种基于自适应空间特征融合模块的站台候车人数统计算法。首先基于YOLOv3网络对乘客人头进行检测,发现存在乘客密集状态下难以检测的问题。针对该问题本文提出增强数据,以提高乘客人头在图像中的相对分辨率;对YOLOv3网络中的特征融合模块进行改进,构建了自适应特征融合模块,对多尺度特征在融合时发生的冲突信息进行过滤,以提高浅层特征在融合特征中的表达能力,从而优化网络对小目标的检测能力;对损失函数进行改进,通过调制系数解决检测中存在的目标框置信度较低的问题。实验结果表明,所提出的算法对较小尺度乘客人头的检测有效可行。我们将公交车厢内乘客拥挤度检测和站台候车人数检测算法部署至服务器,在现有公交调度系统中添加智能检测模块,为公交车的调度提供了数据支撑。