煤矿井下光照不均、照度低且粉尘大、视频成像夹杂着噪声,在视频监测时会存在遮挡以及误检率高等问题,为保障井下人员安全,基于视频监控信息的运动目标检测与跟踪对于煤矿安全生产具有重要意义。论文研究了矿井图像预处理和运动目标检测与跟踪的问题。为了解决矿井视频监控中低照度且图像模糊问题,采用引导滤波改进Retinex算法获得不同频率分量信息,对低频光照分量进行Gamma校正,而对高频反射分量用CLAHE增强并去噪,重构后的图增强了图像细节轮廓信息,提高了图像的对比度。在矿工运动目标检测中为了解决高斯背景建模无法适应复杂变化场景问题,通过结合优化后YOLOv2网络结构,提取目标深度语义特征和浅层表征特征,实现对网络模型中不同卷积层输出特征信息的多特征融合,改善了对小目标矿工及临近特征的检测效果和鲁棒性。在矿工运动目标跟踪中为了解决传统的目标跟踪算法建模更新速度慢,计算量大且无法满足实时有效跟踪等问题,提出了一种改进的不同层次卷积特征融合的孪生神经网络,能够对井下的相似矿工人员进行有效跟踪,在满足矿工实时跟踪的条件下且具有较高的跟踪精度。仿真结果表明,基于Retinex与CLAHE相融合的增强方法,能够实现对矿井视频图像的增强,从信息熵、平均梯度和边缘强度看,改进的算法优于传统增强算法;混合高斯建模修正的YOLOv2算法,能够实现矿井人员的目标检测,有效去除虚警目标,降低了误检率;改进的孪生神经网络目标跟踪算法能够对井下矿工目标实时有效跟踪。上述方法对低照度矿井图像增强和人员定位具有一定的理论意义,为矿井人员的安全生产奠定了坚实基础。