现如今,信息数据的统计成为一项很重要的工作,它在很多方面起着重要的作用。其中,人流信息的统计在商业的销售模式调整和公共事业的安全方面有着巨大的作用,例如商业方面的竞争,因此使用传统的人工经验的方式对客流状况进行统计并以此作为参考信息是不够准确的,如火车站、景区等许多公共场所在高峰时期常容易发生客流拥堵现象,对这类环境下客流状态监控不力造成的风险也愈来愈紧张。因此,统计公共场所的客流量就变成了一项现实的需求。完成客流统计的关键是对行人进行精确的检测和跟踪,其中行人检测是行人跟踪的根本。当前的行人检测和跟踪方法存在如下难点:（1）研究者之前使用了 DPM模型来进行行人检测。其最终检测得分是由根滤波器和部件滤波器得分综合得到。对于存在部分遮挡的目标图像,在计算目标特征时会受到遮挡部分特征的影响,影响滤波器在相应位置的响应得分,导致检测位置出现偏差或目标被漏检;（2）基于深度学习的目标检测模型在非小批样本训练条件下,训练时间较长。另外对模型进行批规范化处理在大多数情况下提高了模型检测精度,但在处理小批样本时基本失效;（3）当目标受到遮挡范围较大时,粒子滤波算法也存在一定的缺陷,比如粒子样本的多样性缺失现象时有发生、对具有较高权值的粒子进行多次统计计算,最终导致目标跟踪定位失败或是不准。本文贡献和创新点包括以下三个方面:（1）针对行人检测过程中遮挡现象导致部分部件滤波器得分低,提出了一种部件得分加权模型。通过对比实验验证了利用加权后的部件模型进行再次检测,可以检测出存在一定遮挡的行人;（2）针对YOLO v2模型存在检测精度低的问题,结合批再规范化算法处理小批样本的优势,引入批再规范化处理对YOLO v2模型结构予以改进,加快模型训练速度的同时有效提高了模型的检测精度;（3）针对粒子滤波在行人被遮挡时跟踪效果不佳,本文采用基于BP神经网络典型和采样算法相结合,使位于概率分布尾部的粒子的权值变大,使尾部粒子进入高权值区域,从而提高滤波精度,提升跟踪效果。