随着工业智能化的发展与智能工厂的构建,目前工厂内部材料的运输逐渐由原先的人工搬运转变为智能运载车的搬运,以实现一体化的智能生产。但智能运载车在运行过程中可能会出现诸如偏轨等各种各样的问题,而针对运载车的异常排查,目前采用较多的是人工巡查或监控视频观察的方式。人工巡查容易出现漏查和应急响应不及时的问题,且在危化品环境下,人工巡查存在严重的安全隐患;而使用监控视频观察的方法则需要专人24小时监控,违背了减少人力的初衷。相较于人工对视频的监控,近年来,智能监控视频发展迅速,将计算机视觉融入视频监控的系统已广泛应用于人们的日常生活中。结合图像处理的方法,智能监控可以实现无人工的24小时轨迹监测,而这就要求监控系统能够对运载车进行检测和跟踪,并对其异常状态做出判别。针对上述问题,本文设计了一种基于视频流的智能工业运载车轨迹跟踪算法与预警系统。由监控视频进行图像采集,利用深度学习的方法实现运载车的检测与跟踪,并将检测跟踪得到的轨迹用于运载车的异常判别。之后搭建了一个在线监测系统,用于实时展示车辆监测信息并对车辆的异常情况做出相应的预警。本文主要完成了如下工作:（1）将最新的YOLO＿v5s网络应用于运载车目标的检测,并结合KCF跟踪算法,设计了检测-跟踪的配合体系。通过选择适合的网络结构,配置相应的网络深度和宽度,实现了检测速度与精度的平衡,满足了系统的实时性要求。（2）提出了一种新的基于历史相似性的轨迹异常判别方法,该方法通过实际轨迹与历史参考轨迹中对应帧的交并比来判断异常。该方法的处理速度较快,能够及时检测出运载车偏轨、超速、降速等异常状况。此外,该方法设有一定的容错范围以防止误判,可适应各种不同的应用场景,拥有较高的可配置性。（3）设计并实现了一个集监测和预警为一体的智能监控系统。该系统可以实时监测智能运载车的运行状况,并针对不同异常情况做出预警,以便及时进行故障维修。平台的构建方便了信息的管理,为决策提供了重要的数据,取得了良好的效果。