在机加车间中,因工作人员疏忽或未能及时发现并处理的安全隐患导致安全事故频繁发生,给企业造成了巨大的损失。虽然通过安全培训能提高工作人员的安全意识,进而降低安全事故的发生率,但由于个人素质、行为习惯等差异,安全事故很难杜绝,同时也难以实现人力监管。基于深度学习的计算机视觉技术,因其检测精度高,被应用于自动驾驶、人机交互等行业中。本文利用深度学习技术,对机加车间内物体的摆放状态、工作人员的动作以及行为进行检测分析研究,规范车间管理,降低机加车间事故发生率。本文主要研究内容如下:（1）为了提高YOLOv3的检测精度,本文设计了一个类注意力机制模块,将该模块嵌入YOLOv3网络对其进行改进,将改进的算法与仅嵌入注意力机制模块改进的YOLOv3算法在公开数据集PASCAL VOC上相比,本文改进的算法m AP提高了1.1%。选取机加车间中四种人体不安全行为和三种物体摆放不安全状态作为对象,使用本文改进的YOLOv3算法对其检测识别。在本文数据集上,实验结果表明,改进的YOLOv3算法能够识别出机加车间中四种人体不安全行为和三种物体摆放不安全状态。（2）为了使动作识别算法模型轻量化,降低对设备算力的要求,以2D卷积神经网络Res Net-101为骨干网络,通过嵌入本文设计的类注意力机制对其进行改进。针对二维卷积神经网络不能提取视频数据时间特征的问题,本文在颜色通道上堆叠从视频段数据中抽取的视频帧,将时间通道转移到颜色通道,提取视频数据的时间特征,从而提升了算法的检测精度。选取机加车间中3种人体不安全动作,对其进行分类识别。在本文数据集上,实验结果表明,改进后的轻量化动作识别算法实现了机加车间中3种人体不安全动作的识别。（3）针对C3D网络模型结构简单的问题,未对提取到的特征进行融合和激励操作,本文借鉴ACTION-Net中的时空激励模块和通道激励模块,将改进通道激励模块和未经改动的时空激励模块嵌入C3D网络模型,对特征进行感知和激励。模块嵌入方法如下:1)仅嵌入改进后的通道激励模块2)仅嵌入未改进的时空激励模块3)同时嵌入改进后的通道激励模块和未改进的时空激励模块。在本文数据集上,实验结果表明,改进后的算法收敛速度更快,由300次迭代缩减到50次迭代,且稳定性更高,改进后的高精度动作识别算法实现了机加车间中3种人体不安全动作的识别。