随着城市化进程的加快,城市轨道列车的行驶速度和行车密度不断提高,列车司机长期处于超强度的工作状态,极易产生操作失误,从而严重威胁列车的运行安全,因此,对列车司机的行为识别算法及智能监控系统的实现技术等问题成为了现阶段交通识别领域的研究重点,有十分关键的理论及指导意义。本文以地铁驾驶员安全管理为研究背景,研究基于深度学习的地铁驾驶员行为识别算法,并开发地铁驾驶员行为识别系统。通过实例应用的方式验证本文所述理论方法的有效性,系统能够实时监控地铁驾驶员的操作行为,在最早时间段内发现操作异常并进行提示,有利于降低安全事故的产生。本文重点研究的内容为:（1）提出了一种基于深度学习的地铁驾驶员行为识别算法。本文系统地阐述了多种基于深度学习的神经网络模型,在基于深度学习的人体行为识别算法的基础上进行了探索。通过对现有算法在识别准确性、实时性和鲁棒性上的不足,提出了一种能感知地铁驾驶员行为时序特征的时序位移模块。针对地铁驾驶员行为识别场景,构建地铁驾驶员动作样本库,提取样本库中的时域信息。将时间维度的特征进行位移,并将不同帧之间的时空特征进行联合建模,达到有效识别地铁驾驶员异常操作的目的。用非极大值抑制算法对本文行为识别算法结果进行优化,并对结果进行测试实验,优化后的算法模型在行为识别时可以更快的收敛,而且可以满足低延时的视频识别,满足实时性要求;经过时序转换结构改造后算法网络不但延续其高效的处理速度,识别准确率也高,满足地铁驾驶员行为识别对准确率的要求;同时算法具有较好的适用性,保证了行为识别算法在实际应用中的鲁棒性。（2）以安全管理为目标,开发了地铁驾驶员行为识别系统。将本文提出的基于深度学习的行为识别算法应用于轨道交通领域,开发一种用于地铁驾驶员在途安全监测的行为识别系统。对该行为识别系统的测试对象进行分析,完善具体功能,并阐述实现该功能的系统框架和实现标准,最后对该系统进行实验验证,用于地铁驾驶员行为分类的识别过程。实例证明该系统能够有效监控地铁驾驶员异常操作行为,有助于提升驾驶员智能化管理水平,改善地铁运营的安全性。本文对视频中人体的行为识别研究具有较好的促进作用,对汽车、飞机和船只驾驶员的行为识别也具有很好的借鉴价值,有一定的工程应用价值。