在我国,煤炭的使用比例一枝独秀,大大超出了其他的能源使用比例。近几年,整体的工业产业逐渐倾向于规范化,智能化。在整体的煤炭生产中,因为生产的流程较长,其中涉及到危险因素的步骤较多,并且每个步骤的环境可能完全不一致,所以对于整体的煤炭生产流程的监控就比较困难。由此可见智能监控的存在就十分有必要。近几年,视觉图像技术飞速发展,深度学习等方法都取得了瞩目的成果。在很多智能监控系统中,视觉方法都起到了非常大的作用。本文在国内外已经有的成果的基础上,基于数字图像技术以及深度学习方法研究了智能煤矿监控系统任务。具体的研究内容如下:（1）研究基于SURF特征点检测与匹配的传送带速度监控算法。使用相邻帧图片之间SURF特征点检测与匹配以及相关的2维仿射变换,计算特征点在传送带图像上图像坐标系内的移动速度,之后再通过坐标系变换转化为世界坐标系下的速度。（2）研究基于deeplabv3-plus网络的堆煤撒煤检测算法。对收集到的数据进行标注和数据增强之后,使用deeplabv3-plus网络进行训练,得到煤区域分割网络后再通过横纵坐标值最值的阈值判断来判断是否存在堆煤撒煤情况。（3）研究改进的基于yolox的单帧烟火检测算法。通过cbam注意力机制模块对当前的yolox目标检测网络进行改进,并在收集并标注的相关烟火数据集上进行了测试。（4）研究基于多帧融合检测的多帧烟火检测算法。分析了视频目标检测时存在的主要问题和以往的视频目标检测方法中存在的问题,提出了一个多级缓存结构来满足视频目标检测中的多帧信息融合。使用（3）中的改进yolox作为基础加入多级缓存结构,并分别尝试了cspnet,resnext和3dresnext作为多级缓存结构中的特征融合模块,进行相关的实验并对比了结果。（5）研究了基于目标检测以及跟踪方法的工人安全监控系统。通过yolov5和deepsort实现对工人的检测和跟踪的同时实现了安全区域检测,并构建了一个LRU模块来处理检测工人安全帽和工作服检测时存在的图像质量问题以及遮挡问题。（6）总结研究,对其中一些还可以继续深入研究的问题进行了归纳和展望。