随着城市化的迅猛发展,建筑工地数量急剧增加,但伴随着工地数量的高速增长,工地遭遇事故情况也在多地频发。传统视频的监控技术已无法有效地杜绝工地事故发生,基于智能视频监控的智慧工地将成为今后发展的必然趋势。其中入侵检测作为智能视频监控中的一项重要技术,主要用于实现警戒区域的智能识别和自动报警,在智慧工地上已有不少成功的应用,但在入侵检测误报率和漏检率较高的问题,现仍未得到完善解决。为满足建筑施工安全风险管理的需求,构建了面向智慧工地的入侵检测系统。在禁入区域内,系统可以实时检测该区域内的入侵状况,若存在非法入侵行为则发出警报信息,提醒监管人员做好防范措施,从而提高施工安全水平和降低安全事故的发生。将研究成果运用到智慧工地建设中检验实际效果,以期望为智慧工地建设起到积极推进作用。本文研究工作和创新点包括以下部分:（1）构建了工地入侵检测数据集。针对目前公开的数据集,存在较少针对于入侵检测的数据集,尤其是在建筑工地场景的问题,通过实地调研,采集不同角度和不同天气条件下的多个工地真实视频并进行数据标注,完成构建工地入侵检测数据集。（2）提出一种基于ViBe和YOLO v5的入侵检测算法,兼顾了系统的鲁棒性和实时性要求。该算法结合了YOLO v5高精度检测能力及ViBe在提取入侵目标运动信息方面的优势,通过将两种算法提取到的可疑目标区域融合校正进行过滤误差,得到报警区域并对报警结果进行分类。该入侵算法能满足实时要求,同时降低误报率。（3）针对传统入侵检测算法缺乏处理各种困难场景的能力及误检率高的问题,提出一种基于多级特征掩码融合的前景分割算法（CFMFN）提取入侵目标,网络以级联的设计逐步细化预测结果边界,通过逐步完善和纠正局部边界渐进式提升掩码质量,从而产生更为精细的前景目标分割结果。该算法在构建的工地入侵检测数据集上进行训练,其综合性能指标F-Measure为94.88%,具有很高的检测准确率和鲁棒性。最后设计了一个简单且有效的分类器对入侵物体进行分类。（4）设计并构建了面向智慧工地的入侵检测系统,包括对运动物体位置的锁定,对入侵目标的判定和对入侵物体的分类,达到实时性要求,能满足高检出率和低误报率的要求。