游泳是一项深受大众喜爱的健身运动,但是也一直存在着不容忽视的隐患。目前,泳池溺水事故的频发受到越来越多人的关注和重视。传统的救生员人工监视泳池的方式不仅消耗大量人力,而且容易因为各种不确定因素导致监视效果不好出现疏漏,造成生命与财产的重大损失。因此,开发泳池的智能监控预警系统意义重大。针对上述问题,本论文设计并开发了一种基于边缘计算平台与计算机视觉（CV）的泳池溺水预警系统。通过对游泳者在水下的行为进行监测和识别,实时预测并显示其发生溺水的可能,当达到警戒值时立即发出警报,从而减少泳池溺水事件的发生。本系统的研究具体从以下几个方面展开:首先在系统实现方面,选择了NVIDIA具有机器学习能力的单板计算机（SBC）Jetson Nano作为控制器实现边缘计算,其自带了CUDA、cu DNN、Tensor RT等组件,功耗小且推理效率高。另外增配无线网卡,采用Wi-Fi实现信息的传递,外接摄像头传感器并设计执行器预警模块实现系统的交互与反馈。其次在泳池溺水预测模型上,选择基于计算机视觉相关技术任务进行设计。先利用多人姿态估计算法对图像中的游泳者进行关键点标记恢复人体位姿,降低泳池内环境对人体检测的干扰;之后在其基础上利用深度学习方法完成泳池内的目标检测任务,通过训练大量样本得到理想的检测器模型。对比介绍了三种常见算法生成的检测模型,进行平均精度均值（m AP）和帧频（FPS）的性能分析。选用的目标检测算法通过对姿态估计模型的调用完成姿态标记,可以更好地实现游泳者溺水状态的预测。考虑到系统对于实时性的需求,本论文还对选择的Open Pose姿态估计算法和目标检测算法进行了轻量化的改进,修改其网络结构减少模型参数,并加入面向边缘的卷积块（ECB）和坐标注意力（CA）等模块提高模型性能,使其在边缘计算平台上的实时输出帧率大大提高,成功构建出系统最优溺水检测模型。最后在数据集的获取上,使用防水摄像头采集充足的水下样本,并制作成数据集对模型进行训练和测试。由于训练的时间成本较大,实验选择将复杂的训练部分放在具有24G显存的NVIDIA Tesla M40平台上进行,再将训练好的模型部署到边缘计算平台上实现实时推理,训练及推理均采用Py Torch框架。基于姿态估计和边缘计算的泳池溺水预警系统能够通过水下摄像头采集图像,实时监测游泳者的安全,预测危险行为并发出警报。结果显示,本系统原型对水下溺水行为的推断准确率较高,且在Jetson Nano上的帧率可达6.70fps,当判断为溺水状态时能够自动发出警报,为游泳者安全提供了保障,也为泳池工作人员减轻了负担。