石油是维持现代社会正常运转的重要能源之一,石油开采过程中一旦发生泄露,将会造成严重的生态灾害和巨大的资源损失。近年来视频监控技术在油田安全巡检中引起广泛的关注,由于视频监控图像具有直观方便的特点,在石油安全巡检中引入计算机视觉技术进行在线监控,及时发现油田采油作业过程中可能出现的故障,可以节省人力资源的消耗并保障安全巡检的质量和效率。传统的漏油检测采用LDR（Low Dynamic Range Image,LDR）图像识别技术获取采油设备的LDR图像并对漏油事件进行判断,该技术虽然具有成本低、使用简便的特点。但该技术必须在良好的气候环境和曝光条件下,尚能取得较为理想的结果,易受到照明条件以及天气状况的限制,稳健性不强。油田漏油区域形状各不相同、油田环境的复杂和光照辐射阴影等因素是油田漏油检测中存在的极大挑战。针对上述问题,本文对前人的研究工作进行分析总结,采用基于深度学习的多曝光HDR（High Dynamic Range Image,HDR）图像重构与识别技术优化对油田采油设备进行监控,将不同曝光水平的LDR图像进行融合重构,解决因天气造成的过曝、弱曝以及阴影对漏油检测产生误检和漏检的问题,为油田漏油检监测提供依据。本文主要研究内容如下:1.采集并构建构建油田漏油数据集。目前现有LDR-HDR图像数据资源较为稀少,也不存在公开可用的石油漏油场景数据集,针对上述问题,本文通过整合先前关于HDR图像重构的数据资源,模拟油田不同漏油场景并采用数码相机对场景进行LDR-HDR图像对的拍摄。将获取到的LDR-HDR图像数据对进行预处理,包括图像筛选以及扩充等。最终对重构的HDR图像进行标注,构建油田漏油数据集。2.利用多曝光LDR图像合成HDR图像。本研究在UNet网络模型的基础上,通过引入Dense Block模块,将其改进为一种多尺度Dense UNet网络来将多曝光LDR图像生成HDR图像。该网络采用一种由粗到细的包含三个子网络的方法来逐步重建HDR图像。在粗尺度分支上,该网络从LDR图像中预测HDR图像的全局信息（如颜色、上下文）。在中等尺度分支上,该网络通过学习邻域像素输出中层细节。而低尺度分支用于保留LDR图像的细节,并预测未被原始图像捕捉到的高频信息。通过对多尺度HDR图像的细化模块,本研究的方法可以生成包含更多细节的HDR图像。此外多曝光图像融合过程中容易出现伪影问题,通过引入光流法对齐像素解决这一问题。本文对不同尺度模型以及不同先进HDR图像重构模型进行了实验对比研究,实验结果表明,该方法在HDR图像的定性和定量上都有较好的效果。3.在合成HDR图像的基础上,对油田漏油区域的HDR图像进行目标识别与检测。本研究通过改进基于RetinaNet网络模型的目标检测方法,采用基于循环训练方法的漏油区域检测技术。为了增强网络模型对漏油困难样本的学习能力,通过循环训练方法进行困难样本挖掘进而减少目标检测中的漏检。为了降低模型对漏油区域的误检概率,引入负样本数据集到网络模型中进行训练。同时采用综合测试方法提高目标识别检测中精确度。对比上述几种目标识别与检测方法结果,本文研究方案在油田漏油图像识别与检测的精确率、召回率与查全率等性能指标都有较大幅度的提升。