针对严重的尺度变化和遮挡导致在不同密集场景人群计数任务中性能差的问题，在密集场景识别网络（CSRNet）的基础上通过增加多尺度特征融合结构并引入空间注意力机制，提出了一种多尺度空间注意力特征融合网络（MAFNet）。在MAFNet进行特征提取之前，需要对添加了人头标记的场景图进行高斯滤波生成真实密度图；此外，MAFNet还通过联合使用两种基本损失函数的方法来约束密度估计图与真实密度图的一致性。接着，MAFNet以多尺度特征融合结构为主干，首先采用边提取多尺度特征边融合的策略得到多尺度融合特征图，然后使用空间注意力模块对特征图进行校准和再融合，之后通过扩张卷积生成密度估计图，最后对密度估计图逐像素积分得到场景中的人数。为了验证所提出模型的有效性，在四个人群计数数据集（ShanghaiTech、UCF_CC_50、UCF_QRNF和World-Expo’10）上进行了评估。其中ShanghaiTech数据集PartB的实验结果显示，MAFNet与CSRNet相比，平均绝对误差（MAE）降低了34.9%，均方误差（MSE）降低了29.4%。在多个数据集上的实验结果表明，采用注意力机制和多尺度特征融合策略使MAFNet可以提取更多细节信息，减少尺度变化和遮挡带来的影响。