随着我国经济的不断发展,城镇化举措的持续推动,城市的人口迅速增长。人们生产生活场所不断增加,这些地方具有人流量多,人群密度大等特点,同时也是发生不确定事件的集中地,如踩踏、火灾等,这就对公共安全提出了更高的要求。因此,为了保障人们的生产生活安全,本文结合深度学习相关领域方法,利用视频监控相关技术,针对人群密度和火焰烟雾,实现实时检测,并构建了异常预警的GUI交互系统,为保证生产生活安全提供了可行的监测技术。主要工作如下:（1）人群密集异常检测。本文根据实际情况将某区域人群数量设定一个合理的阈值,将人群数量超过该阈值时,认定为出现人群密度异常。由于监控设备布控在各个位置,导致每个监控拍摄视频的尺度不尽相同,存在图像透视扭曲,背景变化大等问题。为了解决监控拍摄尺度、透视扭曲等问题,选择可以在多个尺度下进行特征提取,并采用提取透视图像的特征信息和主干网络提取特征网络相融合的上下文感知人群计数网络,通过在Shanghai Tech数据集和UCF-QNRF数据集进行测试验证。（2）针对上下文感知人群计数网络的没有考虑背景对检测效果的影响,本文使用基于背景像素建模的贝叶斯损失替换上下文感知人群计数网络中的损失部分消除这一影响,构建出新的贝叶斯上下文感知人群计数网络。实现了现实因背景、尺度变化大,透视扭曲等使人群密度计数不精确等问题的解决。通过在Shanghai Tech数据集和UCFQNRF数据集进行测试,贝叶斯上下文感知人群计数网络在两个数据集的MAE和MSE值均比上下文感知人群计数网络有所提升。（3）火焰烟雾检测。首先,针对网络上没有公开的火焰烟雾数据集,将在网络上收集的20000张相关图片,经过筛选、重命名、对图片中需要检测的目标进行标注等工作,形成本文实验的数据集。其次,研究了YOLOv5s的网络模型结构、参数等,并进行实验验证。最后,针对本文实验要求网络模型具有高实时性、高检测精度以及可移植性,而YOLOv5s的网络参数量较大。故将网络参数更小、检测速度更快的Ghost Bottleneck结构以替换原网络的Bottleneckcsp结构,考虑到减少网络参数,可能会影响整个网络的检测精度,在加入GhostBottleneck结构的同时,在网络层之间增加SENet网络层来降低减少参数所带来的影响,构建新的GSN-YOLOv5s网络。通过对相同照片和视频进行对比测试,测试结果GSN-YOLOv5s网络在检测精度方面优于YOLOv5s网络,将测试集中全部照片送入两个网络进行速度对比测试,GSN-YOLOv5s网络较YOLOv5s网络的检测时间缩短了15%。（4）基于深度学习的异常检测系统设计及实现。本文将出现人群密度异常和火焰烟雾定义为异常行为,利用本文改进的深度学习算法与Py Qt5相结合,实现异常预警的GUI交互系统的设计与实现,该系统主要包括登录部分和异常行为检测部分。系统的登录部分使用数据库验证登录信息是否正确,保证系统使用的安全性;异常行为检测部分,将监控视频作为输入,经过本文改进的深度学习算法检测,若出现异常行为,系统自动将异常行为标记、截图并发出预警信息供监控人员参考。经过将网上收集的视频作为输入送入系统进行检测,达到了预期的效果。