电力行业、矿业和建筑业等行业在生产过程中频有事故发生,导致人员伤亡和经济损失。将目标检测和行为检测技术应用到安全作业视频监控系统,能够可靠地、有效地解决上述问题。因此,本文开展作业人员违章行为检测技术研究。本文主要围绕违章目标检测技术和违章行为检测技术展开研究。从现实违章行为监控的场景特点和实际技术需求出发,特别针对刚性目标的复杂背景、柔性目标的锚框定位困难以及违章行为检测中正、负样本不均衡等问题提出深度学习检测方法。具体地,本文的主要工作和创新点包括:（1）分析刚性目标的特性,刚性目标检测存在遮挡严重和目标较小等问题,本文选用YOLOv5目标检测模型在刚性目标数据集上进行训练和测试,各类别的检测精度达到了不错的效果,平均精度均值m AP达到了76.36%。（2）分析细长柔性目标具有极端长宽比的特性,该特性导致实例分割模型中锚框定位困难的问题,因此本文提出GIo U边界框回归损失函数,解决训练目标与评价指标的不统一问题,从而实现锚框更精确的定位。进一步地,针对Mask Scoring R-CNN检测网络没有考虑物体之间相关关系的问题,提出物体相互关系模块,实现端到端地学习并建模图像中所有物体之间的相互关系特征,提高细长目标的检测精度。在自建的柔性目标数据集上的实验结果表明,本文的方法能够有效地检测并分割细长柔性目标,检测精度m AP达到了44.8%,消融实验也证明了改进边界框回归损失函数以及加入关系模块能够提升细长柔性目标的检测精度,分别提升了1.2%和0.5%。（3）针对异常行为数据集中正常样本与异常样本数量的不均衡问题,提出了一种基于弱异常增强自编码器的无监督异常行为检测方法。该方法利用U-Net神经网络,通过重建真实场景的视频帧从而获得重构帧。对于异常行为检测的生成模型仅考虑局部约束的问题,加入信息熵增益约束的全局约束,提取图像的更高维特征,通过使重构帧与真实帧之间的信息熵保持一致,来保证二者在全局上的相似性。通过对UCSD ped1、UCSD ped2和CUHK Avenue数据集的综合实验,验证了本文方法的有效性,帧级别AUC分别达到82.6%,94.6%和83.9%。（4）开发一个用于电力安监领域的违章行为智能监控系统。系统划分为着装违章检测模块、行为违章检测模块、通信模块和可视化模块实现对监控视频中违章目标与违章行为的检测。通信模块采用Flask开发框架,通过TCP/IP网络架构传输图像与识别结果,可视化模块采用Py Qt5模块开发设计。系统能够主动分析和判别监控场景中的异常情况,以避免安全事故的发生和不必要的损失。