视频结构化是计算机视觉和安防领域研究的重点和热点之一,其能够从海量视频中快速提取目标信息,在实际任务中得到广泛应用。目前视频结构化技术在电力行业安全生产领域违章识别任务中初露锋芒,有效解决了变电站作业违章人工检测困难的问题,进一步加速推进电力行业走向智能化时代。因此,本文旨在利用基于视频结构化的目标识别方法基本理论,搭建快速、高效的识别网络,以实现对变电站场景下多发常规违章的高效识别,进而保证变电站作业安全。由于变电站场景视野较广,待检测目标体积较小且尺度不均,同时根据其业务需求特点,要求检测系统具有一定的实时性。针对这些问题,本文基于轻量级目标检测模型,重点研究变电站场景较大视野范围下尺度分布不均的目标检测问题。在此基础上,进一步对所提出模型进行压缩,以满足实际业务中实时识别的需求。本文主要工作内容如下:（1）提出一种基于改进差分进化的自适应锚框优化方法,以解决由于数据尺度不均而导致锚框定位不准确,进而造成网络识别精度下降的问题。该方法为了更好地捕获目标物体比例和数量之间的关系,选择边界框的宽高比作为变量,计算Anchor与真实边界框的最近距离的总和作为适应性函数。另外,为了避免Anchor定向朝向具有某种真实框样本的类别,将权重值添加到距离计算中。通过损失函数和可视化散点图对比实验,证实了该方法的有效性。（2）提出一种基于多尺度注意力的目标检测方法,解决由于变电站场景视野范围过大或待检测目标本身尺寸过小造成的网络误检和漏检问题。原始网络为浅层网络结构,对小目标极为不友好。在网络中增加一层检测层,可以有效减小网络输出特征映射在输入图像上的面积,从而增强网络对于目标特征的提取能力,提高目标被检测到的概率。引入注意力机制以增强网络对于小目标的关注度,减少网络对于目标的误检,通过对比不同注意力模型及其在网络中不同位置对于网络整体性能的影响,选择效果最好的注意力模型添加至网络中。最后将两部分改进内容进行融合,利用归一化权重思想适度调整注意力模型相关参数,使整体网络达到了最优的识别效果。（3）利用结构化剪枝方法对内容二中提出的模型进行压缩,以满足变电站场景下实时检测的需求。通过深入研究模型压缩方法特点,使用结构化剪枝方法对复杂的网络模型进行结构化剪枝,以消除冗余通道,降低网络整体计算复杂度。在保证模型识别精度的同时,提高模型的运行速度,使模型具备实时检测的能力。综上所述,本文为实现变电站场景下多发违章的高效检测,提出一种自适应锚框优化方法以及基于多尺度注意力的目标检测方法。此外,为满足其业务需求,通过结构化剪枝,在保证网络识别精度的同时,使其具备了实时检测的能力。