近年来,我国的煤矿安全生产状况稳步向好,但是重大事故也时有发生,这些事故中水害事故占比不容忽视,所造成的损失令人心痛。要想杜绝水害事故的发生,必须要保证探水作业保质保量完成,而现有的探水作业监工方式均为人工监工,效率低下,且容易造成人力资源浪费。本文提出了一种基于3D CNN的煤矿探水卸杆动作识别模型,此方法可以自动完成动作特征的提取工作,省略了传统动作识别方法中人工设计动作特征的过程。对于基于3D CNN的动作识别模型来说,动作识别的准确率主要与模型的结构相关。动作特征的提取主要由卷积层来完成,而特征提取的质量直接决定了模型的识别准确率。故本文从卷积层的个数、卷积核的个数、卷积核的尺寸三方面,通过实验对基于3D CNN不同结构的动作识别模型进行了对比。同时也设计实验验证了加入批量归一化层对模型准确率的影响。实验结果表明,基于3D CNN动作识别模型的最佳卷积核尺寸为3×3×3;卷积核个数、卷积层个数的增加可以提高模型的准确率,但也会增加模型的参数数量;加入批量归一化层可以提高模型的准确率,同时也会使模型的准确率更为稳定。对于探水卸杆动作的识别,本文所提出的方法首先对探水监控视频进行数据采样,利用Open CV从监控视频中抽取固定帧的图像,同时降低这些图像的分辨率;其次通过三维卷积网络进行视频中的空间和时间信息的提取,再经过池化层进行数据的降维;最后利用Softmax分类处理实现对卸杆动作的识别。为了对比模型在不同采样帧数、不同分辨率、不同学习率下的准确率,以及加入批量归一化层对模型收敛速度和准确率的影响。实验验证了基于3D CNN的煤矿探水作业卸杆动作识别模型在自有数据集上的识别效果,并取得了较高的准确率;在自有数据集上,通过在3D CNN动作识别模型中添加批量归一化层,可使准确率提升10%,达到98.86%。