随着城市规模的急剧扩张,对城市的交通体系提出了更高的要求,轨道交通尤其是地下铁路交通因其运力大、速度快、准时的优势,日趋成为众多城市居民出行的首选,而地铁站因其处于地下空间、自然光匮乏的建筑空间特点给地铁站照明节能和健康照明带来了新的挑战。因此,开展地铁站照明控制研究对降低照明能耗、提升光环境品质具有重要的现实意义和应用价值。为了降低地铁站照明能耗,提升照明质量,结合城市轨道交通照明设计标准,提出了一种基于行为识别的地铁站照明控制方法。该方法通过摄像头检测在站乘客的行为状态,实时调控LED灯具的亮度、色温,以满足乘客不同行为下的视觉需求,实现绿色、健康照明的目的。论文完成的主要工作如下:（1）乘客行为识别算法研究。以深度学习为基础,建立轻量化的行为识别网络算法。该算法将行为识别分为两步:人体目标检测、具体行为识别。采用YOLOv3-Tiny轻量化目标检测网络进行人体目标检测;结合深度可分离卷积以及Dense Net网络的特点构建了深度可分离密连接网络（Depth separable dense connection netwok,DSDNet）进行具体的行为识别。通过大量的实验表明该网络算法可以精准、快速的识别人体行为。（2）地铁站照明控制方案研究。在分析影响地铁站光环境影响因素、控制方式特点的基础上,根据城市轨道交通照明设计规范和地铁站乘客分布规律,结合健康照明的相关要求,给出了地铁站照明的动态调控方案,方案依据站台内候车乘客的分布特点网格化分区地铁站台,利用摄像头实时检测与识别候车乘客行为进而实现各区域内的光照调控。（3）基于乘客行为识别的照明控制研究。采用可编程的机器视觉模块—Open Mv进行行为识别算法的移植,并通过识别地铁站乘客行为实拍图进行了实物照明仿真模拟;此外结合乘客行为识别的结果,借助DIALux evo照明设计软件,建模分析了某站台的能耗情况,与传统的群控法相比,基于乘客行为识别的地铁站照明控制方发在5分钟内的能耗降低了6.52%。