随着智能监控系统在煤矿安全生产中发挥的作用越来越大,对监控视频中井下胶带运输机的运动状态监测已成为主要研究方向之一。对胶带运输机状态的智能化监测,不仅可以为井下视频监控工作提供更有价值的信息,也能从中预警异常事故的发生,为安全生产提供保障。因此,准确地对胶带运输机的状态实现实时监测尤为重要。本文结合煤矿井下监控视频特征,研究了基于深度学习的胶带运输机运动状态监测方法。（1）为更准确和实时的检测煤块,本文提出了一种融合轻量级网络和双重注意力的煤块检测方法。该方法首先基于融合自动曝光矫正和自适应对比均衡的图像预处理方法增强煤矿井下视频图像质量;其次,利用MobileNet轻量级网络结合空间金字塔池化有效提取煤块特征,保证算法的实时性;最后将路径聚合网络PANet与双重注意力机制CBAM结合加强网络对煤块的敏感度,提高算法的准确性。在胶带运输机数据集上的实验结果表明:本文给出的预处理方法增强后的图像用于提出的煤块检测算法中,检测准确度提高了 8.89%,煤块检测方法与YOLOv4对比,检测速度提高了 19帧/s,准确率提高了 14.37%。（2）为实现对胶带运输机实时速度的计算,本文提出了一种结合深度学习的视觉测速方法。该方法首先利用本文提出的深度学习目标检测算法作为检测器,利用Kalman滤波作为跟踪器,对视频帧中的煤块实现实时跟踪;其次,通过计算图像中的两个消失点,根据二维三维坐标系的矩阵转换关系建立计算煤块移动速度的模型,从而监测到胶带运输机的实时速度。在胶带运输机监控视频上的实验结果表明:所提的基于深度学习的目标跟踪方法可以有效跟踪煤块,速度测量结果与实际值相比误差在0.7m/s内。（3）总的来说,本文方法不仅改善了算法对胶带运输机上煤块的检测识别效果,同时通过对煤块的跟踪和速度测量有效地监测了胶带运输机是否出现空载或作业异常的运动状态,实现了对胶带运输机运动状态的智能化监测。