安全生产是国家和煤矿企业关心的头等大事,然而探放水作业质量得不到保证导致透水灾害频繁发生,给经济和生命财产等带来巨大影响。到目前为止,相关企业普遍采用人工验收探水作业的方式杜绝透水事故发生,而人工验收存在消耗时间长,效率不高以及普遍纸质化不易长期保存等问题。经过研究分析探水作业的工作过程,提出利用计算机技术对探水作业动作进行识别,从而能够智能验收探水作业。以此,对探水作业的实施过程起到一个监查作用,进一步提高煤矿透水灾害防治水平。本文采用三维卷积神经网络对探水作业动作进行识别,针对传统卷积神经网络的特征提取能力不足等问题,建立一种改进的3DCNN模型。首先在卷积层后面使用Soft Max交叉熵损失函数,对样本特征信息进行判别学习,以摄取到更深层次的特征信息,得到较为丰富的网络特征图;其次结合批量规则化操作使信息素点规则化重新分布,加快网络收敛速度,同时提高模型的泛化能力和鲁棒性。最后,研究发现在卷积过程中,极易出现神经元被抑制直接失去活性的现象,将激励层的ReLU函数升级优化为Leaky ReLU函数,在非线性化过程中对静默神经元恢复更新利用,让更多的神经元参与学习,从而更高效地提取更为丰富的信息。实验结果表明,与现有的方法相比,所提方法在UCF-50公共数据集和自制的探水作业动作数据集上的训练效率和识别精确度有明显提升,能够验证模型的有效性。该方法能够为智能验收探水作业领域提供新的技术参考,对工程实践具有一定意义。