当今社会,各个行业对软件系统的长时间稳定运行提出了较高的要求,机房的服务器作为软件系统运行的基础设施,在整个软件系统的运行控制及信息的存储和传输过程中具有极为重要的意义。为了保证软件的服务质量,后台服务器系统也必须具有强大的可靠性。如果外部环境如电力系统、网络系统等发生故障,或者服务器硬件老化失效,会使服务器运行中断,对整个软件系统的持续运行造成不良的影响,从而造成巨大的经济损失。因此对服务器的运行情况进行实时无间断的监控是十分必要的,及时准确地检测机房服务器的运行状态、发现异常故障并发出相应地警报信号,对后续的及时处理具有关键性的作用。服务器的健康状态是通过服务器前面板上的信号灯来反映的,一般情况下,绿灯表示正常状态、黄灯表示系统降级状态、红灯表示严重系统故障。早期服务器状态的监控工作是由人工定时巡查的方式进行的,这种方式不仅低效,而且很难保证反馈的及时性。后来出现了基于传感器网络的监控方式,但是这种方式要求较高的经济成本,而且需要在机房建设之初进行完备的规划。国内外一些学者在交通灯自动识别方面的研究可以应用到服务器的状态检测中来,其大体思路是提取信号交通灯的形态及HSV特征并结合一些深度学习算法进行,因为服务器信号灯没有明显的形状特征且体积较小,所以这种方式也有一定的不适用性。本文对服务器状态自动检测系统进行了深度研究。在算法方面,创新性地提出了一种信号灯图像的特征值提取算法,并结合深度置信网络(DBN)进行评估识别。之后将本文算法与相关算法进行了对比实验测试,证明了本文算法具有更高的识别率。在工程方面,使用工业相机采集的服务器前面板的实时视频作为数据源,同时采用微服务的架构理念,将整个业务划分为控制子系统、视频与图像采集子系统、分析子系统等模块单独开发,同时考虑了系统的可扩展性及性能的可伸缩性。最后对系统进行了充分的运行测试,得到了较为理想的效果。