煤炭行业的发展对于国家能源的供应起着重要的作用。在以矿工为主体的煤炭行业中,由于职业操作不规范导致的煤矿事故严重影响着人员安全,因此对于矿工不安全行为识别的研究在降低煤矿事故率方面有着重大意义。如何在低光照等复杂的煤矿背景环境下精准识别矿工不安全行为成为解决该问题的关键,随着深度学习技术的不断发展,为矿工不安全行为识别算法的研究提供了新的机遇,但同时也带来了大量资源设备的消耗。由于深度卷积网络的复杂性以及矿井下的资源设备受限,基于深度学习的矿工不安全行为研究通常将井下边端设备采集的数据运输到云端进行分析与判别,从而导致判别过程存在延时,无法保证不安全行为识别的实时性。因此针对不安全行为的实时响应问题,对参数量较少的轻量型网络进行研究。本文具体工作如下:（1）针对矿工不安全行为的静态图像判别任务,提出了一种基于高效注意力机制的动态卷积核的方法,并将其应用于轻量化网络中进行不安全行为判别。通过动态卷积核来增加轻量化网络的特征表达能力;在动态卷积核的注意力机制中采用四种通道压缩的方法来解决卷积核内部存在的冗余问题,减少网络的参数量;采用自适应的下采样方法保留有用信息,提升网络判别图像的性能。（2）由于静态图像网络模型未考虑到时序信息,因此提出一种三维轻量化网络,并在视频集的行为识别任务上得以应用。将二维的轻量化网络改进成三维网络,不仅学习到时序的特征,也保证了模型的轻量化;并设计了一种基于注意力机制的三维动态卷积核,通过注意力机制能够提取网络中的重要信息,提升网络识别的性能。（3）为了进一步验证提出的网络模型在矿工不安全行为判别任务上的可行性,分别构建了矿工不安全行为静态图像集与视频集。通过将高效注意力机制的动态轻量型卷积网络在静态图像集上验证发现,其准确率相比静态网络提升了2.4%,参数量相比标准动态网络降低了20.17%,并将改进后的三维动态轻量型卷积网络在视频集上进行识别,由结果表明,其识别准确率达到88.58%,平均F1的值达到87.27%。该论文有图30幅,表24个,参考文献89篇。