随着国家经济的快速发展,铁路运输在国家运输体系中占据越来越重要的地位,但铁路运输高频次的作业却造成了较多的铁路交通事故。相关数据表明,一半以上的铁路交通事故是由机车乘务人员操作行为不规范造成的。因而,对机车机组人员的操作行为和姿势进行监测和识别,并在监测到机车驾驶员存在不规范行为时及时进行制止具有重要的研究价值。由于机车司机室环境复杂,机车乘务人员行为具有很大随机性,目前对机车乘务人员的操作行为及姿态的监控方式主要以人工方式通过远程实时视频或录制的视频文件分析为主,人力成本较大,覆盖率不高,检测效果并不理想。针对于如何提高监控识别机车乘务人员的操作行为及姿态的准确率和效率的问题,本文提出了基于深度学习的机车乘务员值乘状态识别方法,并基于本方法设计了机车乘务员值乘状态识别系统,从而进一步提高机车运行安全系数,增强事故防范能力。本文针对于常规卷积包含了很多冗余参数没有考虑计算复杂度和内存复杂度的问题,引入了动态组卷积操作代替卷积神经网络中的常规卷积操作,通过对输入特征和卷积核的参数进行动态分组,每个分组中的输入通道选择采用门控策略,根据显著性生成器生成的输入通道的重要性分数来动态确定输入通道的最重要子集。最后每个分组间进行信息交流,使得每个分组均包含了其他分组的特征,有利于提取更具鉴别力的细粒度特征信息。动态组卷积在提高识别能力的同时显著地减少了计算复杂度和内存复杂度,充分满足了机车乘务人员值乘状态识别系统的实时性和准确性。在此基础上,为了充分挖掘图片中的深层语义信息,本文进一步研究了基于深度组卷积残差网络的机车乘务人员值乘状态识别方法。通过加深网络容量和增加特征通道数将ResNet进行层数和容量上的扩充,有利于提取更深层的隐含语义特征信息。最后,本文基于以上方法,在充分考虑硬件平台环境、使用需求和人性化执法履规等情况的基础上,设计了一套基于深度学习的机车乘务员值乘状态识别系统。通过数值仿真验证将该方法与传统方法ResNet进行了实验对比分析。实验结果表明,基于深度组卷积残差网络的机车乘务员值乘状态识别方法相比于ResNet方法具有明显优势,识别准确率达到了95%。研究表明本文设计的基于深度学习的机车乘务员值乘状态识别系统可有效提升机车运行的安全系数,能够为铁路机车运行保驾护航。