建筑生产是经济建设重要的一环,生产安全则是建筑生产的命脉。作为工人生命最后的保障,安全帽在施工安全中肩负着重要的职责。要想保障生产安全,除了让工人自愿遵守安全条例、自觉佩戴安全帽以外,还要建立高效准确的监控机制。随着智慧城市建设的兴起,以深度学习为基础的图像识别和目标分类方法为自动化监管监控提供了方法。本文着眼于智慧工地的监控视频分析,从安全帽监控为例,从特征提取、回归定位、语义分析和算法应用四个方面展开研究:第一,本文从目标检测的特征提取入手,通过对现有模型的迁移分析目前深度学习模型在应用领域出现的问题,并针对这个问题提出了新的采样方式进行特征提取,该方法可以充分提取目标的前景特征,减少因背景和前景融合导致的误判问题。更进一步地,本文以这种采样方法为依据设计了新的神经网络框架,并通过对比证明了改造的可行性。第二,本文从目标检测在建筑领域出现的回归问题入手,分析目标回归时高置信选框的特点,针对现有模型回归精度不足的现状设计了一种更加灵活的选框策略,在多尺度检测器中可以充分的利用置信度区间内的多个选框,使检测结果更准确。第三,本文从目标检测的分类入手,通过模型对比预测了模型对相似语义目标的检测问题并收集针对性样本,通过测试证实了问题。本文从模糊语义分类角度设计了新的分类策略,并通过实验选取了适合安全帽检测的分类器,进一步修改检测框架和数据集以适配。最后,本文设计了一套完整的智慧工地视频分析系统,成功的将我们设计的算法部署在云平台上对外提供服务。此外,本文还成功地将算法适配到移动平台,为算法的部署提供了多样性。