遗留物检测作为视频监控的关键支撑技术之一有着广泛的应用。现有方法在部分场景中能够满足视频监控的需求,但仍然存在着一些问题,主要体现在以下方面。（1）传统遗留物检测算法存在着复杂场景下不能很好地解决光影变化问题,基于深度学习的遗留物检测则存在着神经网络的参数量较多问题;（2）此外,现有的基于分布式的遗留物检测在应对紧急情况,如部分服务器宕机、区域性停电等问题时,不能将剩余的服务器资源应用在更重要的任务上,存在着容错率不足的问题。针对上述问题,本文的主要研究工作如下:针对问题（1）中传统方法难以处理的光影变化,本文提出结合深度学习的遗留物检测模型。该模型利用高斯混合模型背景建模进行前景检测,根据移动区域与静止区域的分离距离与时间得到一个可疑静止区域,将判定为分离时刻的该帧图像传入深层神经网络中进行检测识别。而由于深层神经网络的参数量较多,本文提出了YOLO-G网络模型。该网络模型选择引入幽灵网络（Ghost Network,Ghost Net）中的幽灵模块（Ghost Module）应用在CSPDarknet53主干网络中,通过该方法减少了整个网络模型的参数量。同时,加入压缩激励网络（Squeeze-andExcitation Network,SENet）来进一步提高特征提取能力,在基本不影响参数量的同时,提高了检测准确率。本文对该模型进行了大量对比实验,证明该模型比其他的遗留物检测方法有着较好的优越性。针对问题（2）中现有的基于分布式的遗留物检测中存在的容错率不足问题,本文提出了基于人流量优先的任务调度算法。当出现因意外事件导致的服务器资源不足时,根据发送的任务中包含的行人数量来调整任务的优先级,将服务器资源向画面中人数更多的任务倾斜。本文对该任务调度算法进行了多次对比实验,结果证明该算法在资源不足的情况下对于高优先级的任务处理时间比传统分布式要短30%左右。