现代化工业设备日益精密化和复杂化,企业对工业设备的安全性实时监控提出了更高的要求。目前,企业常常通过监控视频实时监测工业生产环境中主要设备的工作运行状态,但此类监控视频往往不间断地记录了设备在运行和非运行状态下的所有信息,存在大量的信息冗余,导致异常检测效率不高和监控数据存储空间过大。因此,本文以工业设备运行状态监控视频检测为应用背景,针对实际场景中同一类设备监控视频镜头较为相似的特点,提出了一种关键视频提取算法CTM-NN和一种基于深度学习改进的双流视频分类算法Res-3D,以实现对工业设备监控视频的分类检测,实时监控设备运行状态。本文的主要研究工作如下:（1）针对工业设备监控视频存在大量信息冗余的问题,本文提出了一种关键视频提取算法CTM-NN,实现从存在大量冗余信息的原始设备监控视频中提取出设备运行态下的关键视频数据。该算法首先采用基于设定阈值的帧间差分法提取视频中的关键帧,然后使用HOG+HSV颜色空间一阶矩特征提取关键帧特征向量,进而利用K-means++聚类算法将特征向量聚类并实现关键帧的半自动标记,最终基于Res Net-50模型实现监控视频中关键视频的提取。实验结果表明,CTM-NN算法对关键帧提取的精度达95.10%以上,实现了对工业设备特定运行状态下关键视频的准确提取。（2）针对现有视频分类算法对工业监控视频分类存在准确率低的问题,本文提出了一种基于深度学习改进的双流视频分类算法Res-3D,实现了对工业设备监控视频的分类和设备运行状态的实时检测。本算法依次构建了面向视频特征提取的加入注意力模块的Res Net-34网络和面向视频分类改进的C3D网络,然后采用帧间差法获取的关键帧数量对分类结果进行优化,最后在UCF101数据集和混凝土搅拌视频数据集上进行训练与测试实验。实验结果表明,对比目前流行的视频分类模型Two-stream、C3D等,本文提出的算法分类准确率比C3D提升了6.2%,在工业设备监控视频分类上具有较好的准确度。（3）基于本文研究的关键视频提取算法CTM-NN和基于深度学习改进的双流视频分类算法Res-3D,基于混凝土搅拌设备实时监控的实际需求,设计并实现了一个工业设备监控视频分类检测系统,实现了从摄像头采集到工业监控视频分类检测的一体化应用。该系统主要包括:视频录入、关键帧检测、关键视频提取、视频分类、过程可视化、视频存储等功能。管理人员可随时对设备监控视频进行分类检测,同时存贮检测视频和分类视频信息,实时监控设备的运行状态,该系统的应用为高效安全生产提供了有力的保障。综上所述,本文首先提出CTM-NN算法和Res-3D算法分别实现了工业设备监控视频的关键视频提取和设备监控视频的分类,并基于混凝土搅拌设备实时监控的实际需求,在本文所提两种算法的基础上设计并实现了一个工业设备监控视频分类检测系统,实现了从摄像头采集到的工业监控视频分类检测的一体化应用。经实际应用验证,系统实现了较为满意的分类精度,有效提高了设备监测效率,保障了安全生产。