近年来,随着我国城市化节奏不断加快,更多的人选择进入城市。为了服务社会,缓解交通压力,提高城市轨道建设水平已经成为顺应新时代城市发展的重要方法。城市轨道交通由多部份组成,其中包括地铁。它具有很多优点:节省土地,噪音少,能耗低污染低,准时性高,安全性高。正是因为这些优点,地铁已经成为越来越多的人的出行方式。近年来,各省市自治区不断推进轨道交通建设尤其是地铁的建设,随着地铁网络的不断拓展,新的问题也不断出现,给我国地铁车站日常工作发展带来了巨大挑战。如何克服困难成为了目前地铁发展的重中之重。目前,我国城市轨道交通的管理主要以人工管理为主。系统化程度低,智能化程度不足,导致存在了诸多问题。而国外技术设备针对中国特有情况适用性差,价格昂贵。现有技术和设备难以满足地铁网络实际运营需要。在真实的地铁站中,一个地铁站站台内往往需要数百个摄像头才能满足监控的需要,这些摄像头分布从地面站入口到地下站台深处,并且传统的图像处理方法实时性差且可靠性低。但是随着计算机水平的不断发展、监控的体量爆发式增长,深度学习和神经网络在近几年逐渐登上了舞台,这些对视频信息发展有着重要的影响。本文的研究工作主要在以下方面:(1)分析了影响地铁运乘安全的几种因素,通过对国外地铁运营重大事故的统计资料的分析总结,得到了现今影响地铁安全的事故种类。(2)探究了地铁运乘安全的规律,重点从人员的因素进行深刻剖析,针对恐怖袭击对地铁安全的影响越来越大这一现状,提出了一种行人异常行为检测模型。(3)针对现在常用的行人目标检测算法的诸多缺陷,提出了KF-YOLOv3算法。该算法在YOLOv3算法的基础上,通过引入卡尔曼滤波算法和匈牙利匹配算法,同时采用基于维度聚类的方式对预选框的选择进行优化,采用非极大值抑制的方法提高鲁棒性,并改进激活函数提高了对小目标的检测能力。实验结果表明,KF-YOLOv3算法克服了地铁站人行道闭塞造成的人员密集、行人遮挡严重等问题,大幅度提高了视频检测的速度。同时该算法在地铁车站环境下具有较好的检测性能与检测效果。对地铁站内行人出现的遮挡问题有很好的处理能力。