异物侵入铁路周界对铁路系统运营安全构成潜在的威胁,基于视频分析的周界入侵监测系统需要完成异物入侵的识别和分类,从而及时报警以确保运营安全。由于铁路场景复杂、环境干扰因素多,且监测采用多相机协作的方式,研究能够适应各种场景并具有较高分类准确率和性价比的铁路视频智能识别技术具有重要的意义。目前深度学习算法在铁路场景上已有较好的应用,但是依旧存在着分类效果和泛化性能较差、训练耗时久以及模型内存占用空间大等多重问题,难以满足实际需求。本文针对这一难题,提出了一种基于网络迁移压缩的深度神经网络训练算法,利用迁移学习高效地优化不同场景深度神经网络,并对其进行同步剪枝压缩以解决深度网络参数多、内存占用大的问题。论文首先通过采集真实铁路现场多相机监控视频,构建丰富的样本图像库,包含空场景、列车运行、人员上道入侵等三个类别;针对既有VGG16卷积网络模型计算量大的问题进行改进,并在混合多个相机场景的数据库上训练得到一个最优的综合分类网络模型。随后,针对最优综合分类网络模型在单个相机场景上识别准确率较低和网络规模较大的问题,提出采用网络迁移学习与网络压缩同时进行的方式,在单个相机场景的少量样本上进一步训练优化网络结构与参数。针对现有网络压缩准则的不足,提出了基于特征图L1或L2范数的递归式裁剪准则,通过多次裁剪冗余卷积核以不断压缩网络至满足目标需求。最后,利用本文提出的方法分别测试了不同相机场景的分类效果。实验结果表明,该方法可以实现对原始VGG16网络模型的大幅度压缩,而精度损失较小,满足了大量不同场景深度识别网络的快速训练需求。