当今社会,智能安防网络化、集成化以及高清化的不断发展使得对火车站的人体异常行为检测系统的需求越来越迫切。基于深度学习的人体异常行为检测系统的研发成为火车站智能视频监控的重点部分。本文针对当前火车站安防的需要,设计一套基于深度学习的火车站视频场景中的人体异常行为检测系统,采用检测和回归模型结合的方法实现对火车站场景的快速人数计数,并使用改进目标跟踪算法实现对特定人员的跟踪,同时利用人体姿态估计算法对特定人员进行骨架数据提取,最后完成跌倒行为识别。首先,本文根据火车站候车室等场合的特点,对已有的CSRNet回归方法网络进行前置网络的改进。此外,本文使用YOLOv3算法实现对稀疏部分进行检测方法计数,借鉴Decide Net网络,对回归模型计数结果增加权重,解决了训练数据集和应用场景不一致、人群计数不准确的问题。由此可见,结合检测方法和回归方法使用,使得人群计数和人群密度更加准确,当计算结果大于设定阈值时,系统自动发出报警信息。然后,对火车站候车室的目标跟踪算法进行了研究。本文在现有二阶段检测算法基础上,尝试使用一阶段YOLOv3检测算法实现对人群个体进行快速检测,在相机视野下得到人群个体检测框后,利用检测到的目标框再初始化跟踪器,使用跟踪算法对单目标的持续跟踪。其中,引入多尺寸目标框来构建有效的跟踪器。最后,利用上一部分的检测跟踪模型,实现对特定人员的身份匹配,对特定人员进行骨架数据提取,从人体关键点的速度、加速度以及移动帧率等特征算子上完成跌倒行为的识别,完成人群超限聚集、快速运动以及乘客跌倒等事件检测从而实现火车站人体异常行为检测系统的无人值守。本文所提出的人体异常行为检测算法可以及时地做出决策命令的报警,指导车站工作人员快速地处置紧急事件,大大提升工作效率的同时也提高了乘客的安全性。