在公共安全领域,视频监控已经成为安全防范系统的重要组成部分,它可以为管理者提供实时、全方位的视频流,但依靠人力24小时监管暴力事件的发生并不现实,既耗费精力,又易产生盲区,很难完成实时监管任务。将深度学习技术应用于视频监控领域,从摄像头捕捉的视频流中自动检测并分析,识别是否存在暴力行为,并提供实时的告警,有利于解放人力,提升应急事件处理效率。现有暴力行为检测技术在工程应用中存在很多挑战,例如复杂背景、人体遮挡、分辨率不足等。本文拟采用深度学习技术来完成暴力行为检测任务,针对不同场景、不同视野下的监控视频,研究不同的解决方案,实现准确、高效的行为检测。本文以上述问题出发,对暴力行为检测技术进行探索,主要工作如下:1)针对室内等近距离监控场景,视频中人体目标较大、便于做精细化识别,提出了基于人体姿态估计和动作分析的暴力行为检测算法。首先,通过人体姿态检测模型对视频帧序列逐帧执行关节点坐标定位,获得对应的骨架帧序列;然后,对同一帧不同关节点进行空间依赖关系建模,对不同帧同一关节点进行时序关系建模,形成联合时空特征的行为分析模型,从而实现对暴力行为的检测。实验证实,该算法在近距离监控环境下表现出较好的检测效果。2)针对室外的大视野复杂监控场景,人体目标通常较小,不易定位人体关键点,本文提出了基于目标检测和三维卷积的暴力行为检测算法。首先,通过目标检测与时序特征提取技术,获得监控区域内的人体目标及其动作序列;在此基础上,融合时空特征进行分析,检测视频片段中是否存在暴力行为。实验证实,该算法在远距离监控场景中取得了良好的检测效果。3)以Raspberry Pi 4嵌入式平台为基础,设计开发了一套暴力行为智能检测与报警系统。系统分为嵌入式检测子系统和管理服务子系统两部分。前者运行在树莓派平台上,部署了本文开发的暴力行为检测模型,能够连接监控摄像头,从视频流中采样获得帧序列,并调用模型检测视频片段中是否存在暴力行为;若检测到暴力行为,则立刻向管理服务平台上报检测信息。后者运行在云端,能够接收多个检测设备上报的暴力行为信息,管理这些信息,及时发出报警,并为管理客户端提供报警信息查询服务。通过该系统的部署和运行,验证了本文算法的有效性以及方案的可行性。