针对人群分布不均和网络学习参数众多问题，提出了一种由像素级注意力机制（PAM）和改进的单列人群密度估计网络两部分组成的高密度人群计数方法。首先，使用PAM通过对人群图像进行像素级别的分类来生成高质量的局部人群密度图，利用全卷积网络（FCN）生成每个图像的密度掩码，将图像中的像素分为不同的密度级别；然后，以生成的密度掩码为标签，使用单列人群密度估计网络以更少的参数学习到更多的代表性特征。在此之前，在Shanghaitech数据集part_B部分、UCF_CC_50数据集以及WorldExpo'10数据集上，拥塞场景识别网络（CSRNet）方法的计数误差最小。将所提方法与CSRNet方法的误差结果对比，发现所提方法在Shanghaitech数据集part_B部分的平均绝对误差（MAE）和均方误差（MSE）分别降低了8.49%和4.37%；在UCF_CC_50数据集上的MAE和MSE分别降低了58.38%和51.98%，优化效果显著；在WorldExpo'10数据集上的整体平均值部分的MAE降低了1.16%。实验结果表明，在针对人群分布不均的高密度人群计数时，结合PAM和单列人群密度估计网络的方法能够有效提高高密度人群计数的精确度和训练效率。