人群分布不均、遮挡和背景干扰等问题使得人群计数成为了一项复杂且具有挑战性的任务。针对这些问题，提出了一种多尺度特征融合的位置关注网络（Position-Aware　Network　based　on　Multi-Scale　Feature　Fusion,　MSF-PANet）。首先，设计了一种多尺度特征融合模块，以在不同感受野下提取并融合人群密度图的多尺度特征，同时提取出前景信息，来应对人群计数中的遮挡和背景干扰问题；然后，通过位置注意力分配网络提高模型对人群区域的关注度，有效地应对人群分布不均的问题；最后，为了辅助模型训练，减小背景噪声带来的干扰，引入了一种结构交叉损失用于强化模型对人群结构的学习。实验结果表明：MSF-PANet在Shanghai　Tech　Part　A、Shanghai　Tech　Part　B、UCF-QNRF和UCF＿CC＿50上平均绝对误差分别为59.5、7.8、103、182.7，均方误差分别为96.7、13.6、177、237.7，验证了所提模块在提高人群计数准确率上的有效性。