众所周知,监控系统在社会、交通、军事以及公共安全服务等领域有着极其重要的应用价值。随着人工智能技术的快速发展,研究与开发新型的具有智能化的视觉监控系统成为当前人工智能应用的一个研究热点。与传统的监控系统相比,人工智能监控系统不仅能够将监控人员从繁杂海量的视频信息中解放出来,同时使得监控功能更加的自动化和智能化。近几年来,深度学习在计算机视觉与模式识别领域取得了突破性进展,目前已经成为人工智能应用研究的重要技术之一。为此,本文主要基于深度学习理论和方法对人工智能监控系统的开发进行了深入研究。论文主要工作如下:1.在分析了人工智能监控系统需求的基础上,提出了系统的技术方案。研究方案由基于深度学习的目标检测跟踪与基于深度学习的行为识别两部分组成。2.对基于深度学习的目标检测算法进行了研究。主要研究了基于候选区域的目标检测算法R-CNN与基于回归的目标检测算法YOLO两大主流算法。为了智能监控系统可以实时处理传输的视频流,提出了一种基于YOLO网络与卡尔曼滤波的目标检测跟踪模型。该模型使用YOLO网络快速检测出当前帧中的目标人物,将人物位置信息经卡尔曼滤波跟踪器进行预测,预测的位置信息与下一帧检测出的人物位置信息相互匹配,从而达到快速跟踪的目的。实验结果显示,所提出的模型可以应用于智能监控系统的实时监测中。3.对基于深度学习的行为识别算法进行了研究。主要研究了深度学习中的双流网络结构与C3D网络结构。为了在保证识别精度的同时系统能快速识别动作,提出了一种基于C3D网络的动作识别模型。实验结果显示,所提出的模型在自制的数据库上有着较高的识别精度,可以用于系统的实际监测。4.介绍了人工智能监控系统的总体实现过程。包括数据库的采集及构建,各算法模型间的融合,对实际应用问题的改善及处理,以及最终系统的应用结果。