由于中国经济的快速发展以及城市规模的日益扩大,轨道交通的建设愈发加快,重要性也日益提升,导致我国轨道交通的规模与复杂度持续攀高,事故发生率也在逐年上升,因此将视频图像处理技术运用至城市轨道交通是极具必要性的重要实践。近年来由于数据量与计算机算力的爆炸式增长,深度学习技术快速发展并在不同领域得到广泛应用,其中图像处理是其应用最广泛的研究领域之一。本文主要研究将基于深度学习的目标检测技术应用于城市轨道交通的视频监控中,搭建完整系统框架,利用深度学习技术提取采集监控画面的重要信息,并对危险行为进行判断并记录的功能。本文给出了一种基于深度学习模型的可有效提高摄像机前端检测性能的网络结构与算法。通过综合比对了多种目标检测模型,其中YOLOv4因其高效率、高精度的特点,确定为该系统主要使用的检测模型,为提高摄像机前端检测性能,降低检测误报率,设计了一种基于目标检测的报警过滤网络结构,其集成了前端驱动,信息交互,算法过滤等功能,利用具有目标检测功能的识别端服务器对相机前端发送的报警图片信息进行二次识别处理,具体识别入侵异物的目标类别,有效滤除相机前端因可通行目标而触发的误报。由于识别端仅需对前端报警图片检测识别,故一台识别端服务器即可保证数百台相机智能监控实时性,充分利用服务器与相机自身算力,大大降低了硬件安装成本并提高了智能监控的自由度。另外,通过增加图像增强的预处理层对该模型进行改进,提升了模型对夜间图像的检测精度。本文研究了基于深度学习模型的实际监控场景下人流量统计功能。根据实际轨道交通应用场景具体特征,采集制作大量人口密度较大的实景图像,重新训练并给出了一种基于深度学习的适合轨道交通场景的目标检测模型,有效避免了传统形态学帧差法在检测时受场景光照变化影响较大及交通环境中人员间遮挡极为严重导致检测精度下降的问题,有效提高了系统的鲁棒性与目标识别的准确率,而为保证人流量统计的实时性与准确性,本系统经对比测试后选用YOLOv4-tiny模型进作为人流量统计的基本模型。本文给出了一种轨道交通场景中基于离散度分析的弓网电弧闪光的检测算法。通过观察弓网故障时电弧闪光持续时间极短,亮度极高的特点,设计了基于状态跟踪的电弧闪光检测算法,而为算法可适应更加复杂的交通场景,避免树叶反光灯现象造成的误报,通过分析记录闪光像素点离散度的大小,进一步改进为基于离散度分析的电弧闪光检测算法,大大提高了检测的准确性,降低了误报率。本文设计并实现了基于深度学习的城市轨道交通安全智能监控检测系统。搭建包括图像数据采集模块、GPU图像处理模块、数据通信模块和客户端人机交互模块的硬件框架,以及包括图像识别加工、违规判定、报警信息传输警报的软件框架。实现了整体系统的硬件组建与软件系统的编程测试工作,成功完成了对视频监控下闪光检测、区域入侵、非法越界异常行为的检测与记录,测试效果良好。