近年来,随着深度学习的快速发展,越来越多的行业融合了深度学习技术提高相关行业的技术水平。在安防领域,识别工业现场的人员不安全行为也成为深度学习领域的研究重点之一。传统行为识别方法需要人为选定特征提取算法,再结合机器学习完成行为识别。这种方法主观性较强,且较难把握行为本质特征。而应用深度学习方法实现行为识别任务是以损失函数为指标迭代训练特征描述权重,能够更全面的把握行为的本质特征,取得行为识别准确率也更好。因此,本文在现有行为识别模型的基础上,针对工业现场的复杂情况提出了一种基于双流网络的多人员动静态不安全行为混合识别算法,并最终在实验数据集和实际应用中都取得了较好的效果。本文主要完成的工作如下:首先,针对双流网络不能在一副图像中识别多个目标行为的问题,通过在双流网络的前端引入Faster R-CNN目标检测网络解决。目标检测网络先对工业环境中的多人员目标定位,在获取到目标位置的基础上单独裁剪每个位置区域后分别输入双流网络分析对应区域的不安全行为,实现在一副图像中多目标的不安全行为识别。其次,针对原双流网络中时间流计算较慢的问题,本文通过替换输入数据解决。将密集光流图替换成了运动历史图像。运动历史图像相比稠密光流图既保留了时间维度的运动信息,又较光流图计算简单,运算速度更快。再次,针对原双流网络中空间流在分析相似行为时准确率不高的问题,通过引入循环神经网络解决。相似行为在某一时刻会有相似的单帧图像,只对单帧分类会导致空间流的准确率降低。本文通过引入循环神经网络来分类连续十帧行为图像序列的方式增加相似行为判别特征,提高空间流的准确率。最后针对工业现场人员的静态不安全行为,如未正确穿戴工作服和安全帽等,设计了多标签分类网络的结构。在第一步目标检测结果的基础上通过多标签分类网络得到静态的不安全行为识别结果。并设计了动静态混合识别结构实现工业环境下多人员的动静态不安全行为混合识别。本文数据集由KTH行为数据集,UR跌倒数据集和自建数据集混合而成。对于改进后的双流网络在KTH行为识别数据集取得了89.3%的准确率,提出的多人员动静态不安全行为混合识别算法成功应用于工业现场实时分析人员的不安全行为,验证了本文提出的不安全行为识别算法有效性。