随着当代人类生活环境的急剧恶化,人们对于环境保护的关心程度愈发增强,而煤层气作为一种典型的清洁能源得到了人们极大的重视。我国煤层气的高储量为我国的煤层气开采事业的发展提供了依据,但由于煤层气易燃易爆的特性使得煤层气的开采过程存在着严重的安全隐患。同时由于煤层气田多以分散式分布于偏远的山区,野外环境复杂,如若采用传统的人工巡逻监测现场的方式,一方面,安全性得不到保障,另一方面也会造成人力和物力资源的浪费。因此,需要设计一种采用无线技术的现场监控系统,本文则重点对系统采用的煤层气井站异常场景识别算法进行研究。本文首先介绍了在卷积神经网络出现以前对于视频监控常用的目标检测算法。此类算法的原理是前景分割技术,即将输入图像分割为前景目标(感兴趣物体)与背景两部分。并对代表算法帧差法、背景减除法、光流法的原理进行概述。但由于此类算法不能有效针对特定物体进行检测,对于本文实验场景误检率过高,故不采用此类算法。其次,结合本文的实际实验环境,采用基于卷积神经网络的目标检测技术。按其原理可分为基于区域提名的目标检测算法和基于端对端学习的目标检测算法。介绍了代表性算法R-CNN算法、Fast R-CNN算法、Faster R-CNN算法、YOLO算法、SSD算法的原理和流程。针对每种算法的优缺点进行比较,结合本文复杂煤层气监控环境,确定主体算法为SSD算法。由于传统SSD算法主体多为VGG-16模型,而该模型计算量大、使用参数多,使算法在实时性上效果不理想,因此结合实际情况,本文选择使用Mobilenet模型替换VGG模型并合并了BN层。在引入Mobilenet模型后,构建了Mobilenet-SSD(MSSD)目标检测算法,该算法在乘法与加法计算次数和使用参数个数明显减少。同时使用Soft NMS算法替代传统SSD算法中使用的NMS算法。这两处改进使得算法的性能得到了优化。最后,对算法效果进行验证。针对实验要求,本文使用VOC 2007和部分添加图片构建以行人和车辆为主体的数据集,并在此数据集上对此算法进行训练和验证。实验结果表明,本文算法是识别监控视野中行人和车辆的理想选择。算法可以识别图像边缘目标物体、小部分被遮挡目标物体、多个目标对象和小的远距离目标对象。改进后的算法在运行时间上有小幅度减少,在识别准确度上也有提升。同时,该算法同样适用于其他场景。综上,算法的准确性和实时性都可以满足远程监控的需要。