建筑业的发展极大促进了国民经济的增长。伴随着城市化进程的加快,为合理配置城市用地资源,高层建筑成为城市建筑的主要形式,楼层的增高带来相应施工难度和施工风险的增加。脚手架作为一种高空作业设施,其高处坠落事故频发。据事故原因统计,脚手架高空险态的存在是诱发坠落事故的核心因素。所以,有必要对脚手架高空作业险态进行识别。在施工现场安全管理中,传统的人工巡检方式低频、低效,且难以实现全场景、全天候的脚手架险态识别。伴随“智慧工地”理念的提出与发展,新兴的信息技术正在探索与建筑工程的融合应用。基于计算机视觉的深度学习技术以其在图像与视频特征提取方面的显著优势已应用于各行业中,为脚手架高空险态的智能化识别提供新的手段和视野。本研究将脚手架高空作业险态划分为安全装备缺失和危险施工行为两类,利用深度学习技术实现建筑工人安全装备穿戴情况的检测与具体高空危险行为类型的识别。本研究通过多种方式采集建筑工人脚手架高空作业图像和视频,用以构建样本数据集。并通过算法比选、算法结构优化、算法训练与验证实现脚手架高空作业险态识别模型的搭建。此外,在实验室验证可行的基础上,开展实际工程测试,论证险态识别方法的实用性。主要研究工作如下:（1）设计脚手架高空作业的安全装备检测方法选用安全帽和安全带为检测对象,基于目标检测算法实现建筑工人脚手架高空作业的安全装备检测。方法以YOLOv4目标检测算法为基础算法框架,对主干特征提取网络及卷积层结构进行参数简化,完成检测算法的框架设计。利用实地工地采集和网络检索的方式采集建筑工人脚手架高空作业图像,结合图像预处理、数据增广、图像标注等过程,构建包含12270张脚手架高空作业图像的安全装备数据集。依据安全装备图像数据集进行算法模型训练。通过实验室环境验证,检测方法对于安全装备的平均检测精度能够达到90.20%,并且检测速度有显著提升,能够满足动态视频检测需求。实验结果表明,安全装备检测方法能够实现安全帽和安全带穿戴情况的协同检测。（2）设计脚手架高空作业的危险行为识别方法选用ST-GCN时空图卷积算法来识别建筑工人脚手架正常施工、高空探身和脚手架攀爬3类行为。在原始算法基础上增设了注意力模块并重新制定人体分区策略,综合骨骼点信息在时间序列和空间位置的关系,进行危险行为识别算法的设计。通过实地工地采集和实验室模拟方式获取建筑工人脚手架高空作业视频,构建包含2483段动作序列的行为骨骼信息数据集。利用样本数据集进行算法训练与验证,算法模型对于行为分类的准确率能够达到91.53%。说明设计的方法能有效识别出高空危险行为。此外,为验证脚手架高空作业险态识别方法在实际施工现场的可行性与实用性,将设计的方法应用于工程实践。选用3处施工现场,采集建筑工人脚手架高空作业视频。依据视频中目标人物数量及大小,将视频划分为单目标、多目标和小目标进行综合测试。测试结果显示,对于安全装备检测任务,平均检测精度分别为95.51%、92.08%和86.13%;对于危险行为识别任务,同样能够达到91.67%、88.33%和85.32%的识别准确率。同时,险态识别速度均能满足动态视频检测的需求。表明本研究设计的脚手架高空作业险态识别方法能够为高空安全管理提供一定的技术指导和应用价值。但测试结果也表明对于小目标识别对象,险态识别方法仍有较大提升空间。本研究结合测试存在的问题进行了原因论证,提出了后续优化的方向。