随着经济的迅速发展,城市化进程日益加快,城市人口数量增多,对城市管理的要求也越来越高。为更好的管理城市,越来越多政府会在每个地方都装上摄像头以监管城市。但由于人们的城市活动日益频繁,城市管理的事部件仅仅靠摄像头已无法满足监管要求,人工监看摄像头不仅耗时,也是低效的工作。因此本文针对城市管理中一些常见的事部件异常做识别研究,利用深度学习中卷积神经网络对一些常见的事部件异常做处理,可以让摄像头自动识别一些城管事部件的异常,系统可以自动上报案件,这样可以提高城市管理效率,同时方便城管人员的工作,大大降低人工时长。本文主要工作如下:（1）本文通过网络以及手机拍摄,收集井盖、路面破损、小广告、占道经营以及道路垃圾等五种常见案件,做成训练数据集,共计5660张数据样本。对比目前最流行的两种识别模型YOLOv3（You Only Look Once）和SSD（Single Shot Multi Box Detector）,选择更适合本文数据集的监测模型。本文通过模型损失函数的收敛情况与收敛值,以及识别准确率发现,SSD模型更适用于本文数据集。（2）进一步研究SSD模型,发现SSD模型存在鲁棒性不够好的问题。由于摄像头位置偏高,对于一些数据的采集会导致目标在图中变小,而SSD模型并不能很好地识别出来。于是本文提出一种对SSD模型进行网络更换改进,将其依赖的VGG网络换为残差网络ResNet-101,以避免网络退化问题而可以使用更深层数的网络去训练的解决方案。（3）对提出的方案进行实验,对比改进前后的模型,发现残差网络可以在避免网络退化问题的同时,增加了网络层数。实验结果证明了改进后的模型在识别小目标的准确度上更优。最后将改进后的模型应用到数字化城市管理系统中,实现智慧城管。