近年来,由于校方监管缺位,导致不规范行为频繁出现,这表明仅依靠规章制度约束学生行为的校园管理方式在实践过程中效果有限。公安院校作为管理制度严格的政治类院校,自2021年10月新版《公安机关人民警察内务条令》颁布实施以来,不断加强内务建设,严格规范学生行为。基于此,本文以公安院校警务化管理为背景,基于深度学习行为识别方法,对校园监控视频中的学生不规范行为进行自动监测,提高不规范行为的发现率,为优化高校校园管理方式提供新思路。本文的主要研究内容如下。（1）通过文献调研,总结目前行为识别方法的优缺点,针对本文研究的校园不规范行为选取合适的算法,同时借鉴国内外行为识别算法的应用研究,尤其是针对校园场景内的应用研究,为后续研究奠定基础。（2）研究了融合目标检测的行为识别方法。目前行为识别领域公开数据集的背景环境趋于复杂,且多数行为识别算法对数据样本的核心区域关注不足,背景噪声的干扰导致模型识别准确率偏低。因此,将行为识别模型的特征提取区域缩小至人体核心区域,可以降低计算复杂度,提升模型性能。基于此,本文在时间差分网络中引入目标检测算法,自动检测并裁剪出视频图像中的人体区域。在公开数据集上的实验结果表明,改进后的时间差分网络识别准确率,较改进前提高了24.25%。（3）构建了警务化管理背景下的校园不规范行为数据集。在不同场景下,行为识别算法的识别结果会出现不同程度的偏差,因此,构造针对特定场景的数据集,对于开展行为识别算法的应用研究具有重要的作用。本文选取规章制度严谨细致、对学生行为举止具有严格要求的公安院校为研究对象,调研典型不规范行为,构建校园不规范行为数据集。经数据处理最终得到5519个视频数据样本,为本文的研究提供数据支撑。（4）扩展了行为识别方法的应用场景。目前,国内外学者在校园内部开展了基于行为识别算法的应用研究,但背景多局限于室内。本文首次将行为识别方法与公安院校警务化管理相结合,使用改进后的时间差分网络,对公安院校校园道路旁监控视频内的不规范行为进行检测。结果表明,本文提出的方法在校园不规范行为数据集上的识别准确率达到96.91%,证明本文提出的方法在实际场景中具有可实践性。本文的研究预期可为校园管理提供技术支持,更好地完善和优化警务化管理的现实实践,充分发挥公安院校的育警功能。