十八大以来各行业的环境保护新规定陆续发布,水务厂作为水污染防治处理的重要一环面临着更高的要求与挑战。随着深度学习技术的迅猛发展,水务厂的污水治理模式迎来了巨大的变革,构建智能化,资源化的水务厂管理模式已成为当下发展的主题。在日常的工作管理过程中,会遇到非常多的安全隐患,在缺氧池,沉降池等场景若通风不畅,工作人员在作业过程中极易发生气体中毒,如硫化氢中毒,苯中毒等情况。如果工厂的监管系统未能及时发现工人中毒,受伤等情景,未能及时处理,极易造成人员身亡。除了气体中毒意外,污水处理过程中也会有许多易燃气体产生,厂区还存在火灾等隐患。这些安全隐患对于工厂的管理提出了更高的要求,近年来人工智能技术取得了飞速的发展,如何利用这些新技术提高工厂的管理效率,保障工作人员的安全成为了行业研究的重点。针对污水处理厂间可能存在的气体泄漏问题,穿戴好防护服与安全帽等保护措施可以有效阻止有毒气体侵害,在险情发生时更好的保障好工人的安全。另外,监管系统也要做好危险行为的检测,在可能发生有害气体泄漏的高危车间及时制止工人的吸烟行为,在工人不慎跌倒时及时反馈救援。本文研究了目前视频监管领域常用的深度学习算法,参考国内外深度学习算法在智能监管领域的应用,针对水务厂的安全管理系统的需求,对目标检测算法和行为识别算法进行了改进,具体研究内容如下:针对水务厂工作人员安全帽和防护服的穿戴情况检测,提出了一种添加了CBAM注意力机制的轻量化的YOLOV5算法C＿YOLO5s-M,根据现有的图像处理技术从工厂的监控录像中收集信息自建防护服于安全帽数据集,以YOLOV5s作为基本框架,使用改进后的轻量化算法C＿Mobile Netv3替换YOLOV5s的主干部分特征提取网络,减少了整个模型的计算量,并优化了整体算法的激活函数,使检测速度和精度都能满足要求。经过优化后的轻量化检测算法也更容易在低算力平台部署。针对水务厂人员作业过程中可能发生的危险行为,具体为吸烟与跌倒这两种行为的检测,本文研究了一种基于人体骨骼信息的摔倒和抽烟识别算法FASR-HB（Fall and Smoking Recognition Algorithm Based on Human Bone information）,对Open Pose骨骼提取网络进行轻量化优化,并针对具体的抽烟和跌倒行为设置专门的识别机制,减少了无效信息的获取,精简了模型的参数量,提高模型的检测效率。实验结果表明本文研究的算法模型能够满足水务厂对工作人员危险行为的识别监管需求。