生产安全是企业长久稳定发展的必要条件。在大型车间中,员工生产安全更要放在首要考虑位置。目前,对于车间员工的实时跟踪定位、安全帽工作服的穿戴是否合规主要依赖于人工完成,这样做不仅浪费大量人力成本且效率低下。随着深度学习技术在智能安防监控领域的发展,可以做到对视频图像进行智能自动分析识别,提高工作效率。利用深度学习技术通过智能视频监控来替代人工检测,可以真正做到安全生产自动化、高效化管理。为此,本文提出了基于深度学习的车间生产安全视频监控关键技术研究,论文的工作和成果分为如下五个方面:（1）首先本文针对目标检测算法在行人大面积遮挡下造成的预测框不准确、检测精度低等问题,设计了一种改进的YOLO v5s模型。本文为加强行人特征的提取能力,在颈部网络引入ECA-Net注意力机制;其次考虑模型大小对实时性的影响,本文在YOLO v5s主干网络中引入空间空洞金字塔池化结构,减小上下文信息损失的同时减少模型计算量;最后结合CIo U提出改进的非极大值抑制方法。实验数据表明,提出的模型可以有效提升大面积遮挡情况下的行人预测框精度。（2）在行人跟踪方面,针对模型大小及跟踪实时性问题的考虑,本文设计将Shuffle Net V2网络替换原有的外观特征提取网络并结合改进的YOLO v5s检测算法形成轻量化Deep SORT行人跟踪模型,在大型跟踪数据集上的实验数据表明,提出的模型在跟踪速度与精度上均有所提升。（3）在安全穿戴检测方面,本文针对安全帽与工作服小目标及多尺度的特性,提出了一种改进特征融合的目标检测方法,该方法将简化后的Bi FPN作为YOLO v5m的颈部特征融合结构,并将CBAM模块添加至Bi FPN的输出层后、YOLO v5m预测层前,增强模型的特征捕捉与表达能力;在模型训练阶段,本文设计使用了新颖的α-EIo U损失函数。最后在自建数据集上的实验结果表明,本文提出的方法在穿戴类别的检测精确度上得到了有效地提升。（4）针对车间智能管理及车间目标像素级分割的要求,设计了一种基于Rep-VGG轻量级主干网络的U-Net语义分割模型,其次在U-net融合阶段加入金字塔拆分注意力机制,模型训练时采用Dice-Cross Entropy组合损失函数,实验数据证明该模型在自建的车间小样本数据集上可达到轻量级、精细化分割的效果。（5）最后,针对上述部分利用PyQT5开发工具,设计并实现了车间生产安全视频监控系统,系统功能模块主要包括登录注册、行人跟踪检测、安全穿戴检测、与车间场景语义分割。经过实验测试,系统具有轻量、易于安装、占用空间小等特点,同时界面可视化程度高,可满足人机交互的需求。