随着工业技术的不断发展,工业生产逐渐趋于现代化、智能化,但在许多生产环节中仍需人工完成,此时工人将处于危险状态,可能会发生意外伤害事故,因此及时发现工人发生的异常行为是现代化工业生产的热点研究问题。监控视频技术的出现实现了,当工人在发生意外时,救护人员能及时的发现并做出应对措施,因此实现及时准确的工人的异常行为检测具有重要现实意义。但现有的监控视频技术存在两方面问题,一方面仅能存储工人意外事故的发生过程,无法实时检测或预测工人异常行为,另一方面现在的监控视频仍依赖于人工监管,而人工识别劳动强度大且具有主观判断性。因此,对工人异常行为检测的研究受到了广泛关注。本文以双流卷积网络为基础,分析了原始双流网络存在视频图像帧网络中缺少时序上静止视频图像的关联信息和连续光流图像网络中对相近行为难以区分的两个问题,改进双流卷积网络算法,对工厂内工人的异常动作检测进行了研究。具体工作和文章的创新点如下:1、本文引入LSTM网络与传统双流卷积中的视频图像帧网络结合,实现对于视频图像中时序信息的提取。根据LSTM神经网络能够处理与时间序列高度相关的数据的特性,将卷积神经网络中提取到的具有代表性的工人身体轮廓形状特征信息输入到LSTM网络中,以提取帧与帧之间的时序信息,增强了对视频图像中工人行为动作的理解。2、为实现双流卷积网络中连续光流网络对相似动作的区分,在进行连续光流图像网络训练前,对视频图像的稠密光流图像进行二次提取,将稠密光流图像中光流值变化量较小的像素点做稀疏提取,再将新的连续光流图像输入到连续光流图像网络中进行训练,从而获取工人的运动信息。3、在CASIA数据集、CAVIAR数据集、自建数据集上测试本文的改进算法。改进的算法在原有网络的基础上提高了对于工人易出现的异常行为检测的精确度。不仅提高了对于自建数据集中人员异常行为的识别率,并且在与同类算法的比较中,表现出了更准确的识别效果。相较于必须搭载于GPU环境下运行的同类算法本文方法更具实用性。