煤矿行业的重大事故中,超过90%的事故是由矿工自身危险性行为所导致,这对矿工生命安全和企业经济效益造成了严重威胁。因此,研究矿工危险性行为的识别方法对煤矿安全生产至关重要。随着深度学习和计算机视觉技术的发展,视频结构化技术在矿山危险性行为识别任务中的应用已经取得了显著成效,有效解决了煤矿工人危险性行为中人工监管困难的问题,进一步推进了智慧矿山的建设。但由于煤矿作业环境的特殊性和复杂性,当前矿工危险性行为识别在技术上存在如下几个主要问题。一是需要结合煤矿特定工作场景和规范确定矿工危险性行为标准,并制作样本数据集。二是要克服光照、噪声等复杂煤矿作业环境下矿工等目标关键性特征信息难以获取问题。三是如何兼顾、提高矿工危险性行为识别的实时性和准确性。针对以上问题,本文以某合作煤矿为例展开研究,主要研究内容包括:（1）研究制定了矿工危险性行为数据集。针对矿工危险性行为缺乏公开大型数据集问题,基于煤矿安全风险库标准,将危险性行为分为两大类:一类是常规危险性行为,分为6个类别包括正确佩戴安全帽（hat）、未正确佩戴安全帽（err-hat）、未佩戴安全帽（no-hat）、正确佩戴口罩（mask）、未正确佩戴口罩（err-mask）和未佩戴口罩（no-mask）;第二类是姿态动作类危险性行为,包括非法坐卧姿态、非法踢打和非法跨越等3个类别。并辅助数据增强技术扩充数据集,以增强深度学习模型的稳健性、泛化能力和对不同数据分布的适应能力。（2）提出一种目标检测模型STFNet-A（Swin Transformer-FPN-NetworksAttention）,实现了煤矿复杂作业环境下矿工常规危险性行为实时、准确检测。首先将Swin Transformer作为骨干网络并构建特征金字塔,设计目标检测模型架构STFNet（Swin Transformer-FPN-Networks）,引入Quality Focal Loss（QFL）损失函数关注样本类内间差异,有效解决样本分布不均衡问题,对常规危险性行为识别准确率达到94.5%,检测速度为59.6帧/秒,模型参数量为31.3M。接着为进一步抑制场景噪声问题,引入CBAM（Convolutional Block Attention Module）注意力,融合局部和全局上下文信息,构建模型STFNet-A,在检测速度和参数量一致情况下,较STFNet进一步提高了识别准确率,达到96.9%。（3）提出一种基于Alpha Pose的优化模型Alpha-SDL-Pose（Alpha＿STFNetA＿DNLA＿LSTM＿Pose）,实现了煤矿复杂作业环境下矿工动作姿态类危险性行为检测。首先利用STFNet-A替代Alpha Pose的Faster R-CNN提升检测速度并降低模型参数量。接着引入双向非局部注意力模块（Dual Non-Local Attention,DNLA）并嵌入姿态估计器,捕捉更长距离和更丰富的上下文信息,以挖掘提取目标人物关节点位置、关节连线和骨骼姿态等特征信息。最后基于LSTM（Long Short Term Memory）危险性行为分类网络对危险动作进行准确分类。该模型在超过25万人体姿态样本的MSCOCO 2017公开数据集上识别准确率比Alpha Pose提高了2.7个百分点,达到了74.8%,检测速度提高了13.6帧/秒,达到了49.4帧/秒。在自制数据集上对矿工姿态动作类危险性行为识别准确率达到94.9%,模型参数为43.9M,该模型兼顾了实时性和准确性,能够满足实际项目应用需求。（4）搭建了矿工危险性行为监测示范系统平台。利用Python语言、深度学习Py Torch框架,基于开源可视化界面组件库,融入轻量级、实时性目标检测模型STFNet-A和姿态估计模型Alpha-SDL-Pose,设计并实现了矿工危险性行为监测示范系统平台,平台主要功能包括:系统设置、功能选择、输入源选择、摄像头管理、视频管理、危险行为监测的交并比和置信度大小控制、可视化结果显示区域和监测结果统计等。