当前人工智能领域发展迅速,计算机视觉技术也开始应用于生活中的各个领域,如何将深度学习技术应用于智能监测领域,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的研究热点,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,为提高国家公共场所安全做出贡献。因此,如何提高人体行为识别在公共场所场景下的算法性能是目前计算机视觉领域的研究热点。本文基于CNN-LSTM网络针对模型存在的上下文特征提取、训练过拟合等问题,采用多种改进策略,提出了CNN-BLSTMAD网络模型,并利用改进后的模型针对博物馆游客违规行为这一特定目标进行针对性训练,设计并实现了博物馆游客违规行为智能监测系统。具体来说,本文完成了以下工作:首先,针对当前人体行为识别数据集较小的问题,本文针对人体行为数据的特征,提出了滑动窗口数据扩充方法。通过帧提取与帧替换的方法以保证在不破坏数据上下文联系的情况下扩充数据集,从而提高模型训练的效果。接着,针对CNN-LSTM这一原始模型进行改进,提出了CNN-BLSTMAD网络模型。针对模型存在的上下文特征提取不足的问题,本文引入深度残差网络、双向机制、深层次特征提取等方法来加强模型对于特征的提取能力。然后针对数据的各个区域进行优先级划分,引入Attention机制来提高应重点关注的区域的权重分配。针对模型训练过程中的过拟合问题,引入Dropout机制来提高模型的训练效果。实验结果表明,本文所使用的改进策略在一定程度上提高了原有模型的识别精准度与识别速度。最后,基于以上的改进方法,结合博物馆游客违规行为识别这一特定目标来进行模型训练与应用。结合现实场景制定游客违规行为划分方法以及数据集生成方法,同时使用分层训练方法来更好地训练模型。再将训练好的模型应用于实际工程,设计并实现博物馆游客违规行为智能监测系统,对游客违规行为进行智能监测与预警。