监管场所是我国司法体系的重要组成部分,也是重要的国家机器之一,由于其特殊性,相对于其他行业,监管场所在安全防范系统建设上的要求较高。近年来,随着人工智能技术的快速发展,越来越多的智能化技术被用于监管场所安防系统,如自动目标分类、高风险违规区域识别、打架斗殴识别等,使用上述技术能够在监管场所传统的“人防”体系基础上结合“技防”系统,从而显著提升监管的质量与效率。将深度学习、云计算、大数据等众多新兴技术运用至监管场所安防系统的建设已经成为一种趋势。但是,监管场所智能化安全防范体系的建设需要大量的数据支撑,鉴于监管场所的特殊性与保密性,获取监所的大量相关数据显然是难以实现的。根据国家重点研发计划项目“监管场所智能监控、预警防范关键技术研发与示范”的需求,为完善监管场所智能安全防护体系的功能,本文针对监管场所场景数据缺失、情景单一的问题进行研究。视频监控是监管场所安防系统的基础,传统的视频监控依赖于人工监视,由于人的精力与能力有限,监所中大量的监控画面使监管质量大打折扣,而智能视频监控系统能够使监控方式实现由被动到主动的转换。但是可用的监管场所相关数据极少,这使得监管场所安防系统的研究与完善寸步难行。为解决上述问题,本文研究基于极少量可用真实数据的监管场所图像生成,设计改善特定场景的生成数据质量的算法,并且基于该算法生成在押人员异常行为情景数据,最后设计异常行为检测系统且基于生成数据测试其功能。以项目需求为背景,针对监管场所数据缺失问题,以季节迁移为例,本文构建能够表征目标季节普适性特征的数据集,基于语义分割算法对数据集进行语义信息统计,构建图像语义字典作为图像转换与场景生成的数据支撑,并且提出了图像匹配算法,以便对图像域间转换算法的重要组件进行改进。针对监所季节迁移效果问题,本文提出基于图像语义自适应的静态背景转换算法。经过分析,图像域间转换算法的效果与学习目标图像的语义匹配程度呈正相关,对于监所的静态背景季节迁移任务,通过语义匹配算法在构建的语义字典中选择最佳目标进行学习,可提升季节迁移质量。此外,除现有的定性与定量标准外,本文设计了一种基于色彩特征的背景季节迁移质量评估标准,在色彩特征方面对生成图像进行评估。经过实验的验证,不论在现有标准还是基于色彩特征的标准下,基于图像语义自适应的静态背景转换算法效果明显提升。针对监控场景中出现人物时存在的制服转换错误问题,本文提出基于动静目标分离的监控场景转换算法。在语义自适应的背景转换算法基础上,将监所场景中的人物目标与背景分支路进行独立学习,学习完成后按坐标进行支路合并。此外,为了对包含人物的监所场景季节迁移效果进行评估,除现有的定性与定量标准外,本文设计了一种基于目标检测的生成图像质量评估标准。经过实验的验证,不论在现有标准还是基于目标检测的标准下,基于动静目标分离的监控场景转换算法能够解决图像转换中部分目标属性错误问题。最后,从项目实际需求出发,针对监管场所情景单一问题,以在押人员异常行为为例,本文设计了基于监控视频图像转换与生成的监管场所异常行为检测系统。针对进入违规区域、脱管、打架斗殴三种典型的在押人员异常行为,由于缺少真实的异常行为数据,按照上述三种行为进行视频序列样例生成,然后分别对系统各模块进行功能测试,满足项目需求。