当前人工智能领域发展迅速,计算机视觉技术在生活和工业生产中的很多领域的应用已经普及,如何将深度学习技术应用于智能视频分析领域,已成为研究的重点方向。其中,人体行为识别是当前计算机视觉领域重点研究方向,其不仅可以在医疗、自动驾驶等领域有所发展,亦可以替代人工来智能识别视频中的行人动作,为提高公共场所安全指数提供智能化方案。因此,如何提高人体行为识别算法在各种场景下的性能是目前基于视频的智能识别领域的热点问题。本文基于双流网络架构针对现有的深度行为识别模型存在的训练容易过拟合、计算资源要求高、不能充分提取长时域特征的问题,采用多种改进策略,提出了基于快慢邻域特征融合的时域分割网络模型（TSF）,并利用改进后的模型针对粮仓作业这一特定场所的不安全行为进行训练调优,设计并实现了基于智能视频分析的粮仓安全作业预警系统。具体来说,本文完成了以下工作:首先,为了能够提高双流网络结构在视频识别中长时间动作识别能力,针对TSN这一模型进行改进,结合Slowfast网络提出了一个利用邻域融合策略提取长时域特征的动作识别方法。首先,将视频分段,对每段进行非对称稀疏采样,通过快慢网络提取阶段性时空特征。然后把相邻时域的特征矩阵进行拼接,获得阶段性特征,随着特征的不断丰富使得网络逐渐聚焦动作区域。最后,通过对每个阶段取得的阶段性结果进行平均加权计算,得到视频级别的结果。实验表明,本文所使用的改进方法可以使网络更快地达到最佳权重,同时有效地提高识别准确度。然后,对粮仓不安全作业行为分析,进行模型训练调优和应用,结合不安全行为标准对粮仓作业行为进行分类并生成数据集,同时使用迁移学习和分层训练方法来更好地训练模型。最后,设计并实现了基于智能视频分析的粮仓作业安全预警系统,可以自动检测粮仓内的不安全行为,对不安全行为进行及时预警来减少事故的发生,提高安全管理水平。